Diabetes merupakan salah satu penyakit kronis dengan jumlah kasus yang terus bertambah setiap tahun sehingga diperlukan metode prediksi yang mampu mendukung deteksi dini secara lebih akurat. Penelitian ini bertujuan mengembangkan model prediksi diabetes menggunakan algoritma Random Forest yang dioptimalkan melalui proses hyperparameter tuning dengan metode Grid Search. Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 100.000 data dengan sembilan atribut yang merepresentasikan kondisi kesehatan individu. Tahapan penelitian meliputi preprocessing data, pembangunan model awal (baseline), proses hyperparameter tuning menggunakan Grid Search, serta evaluasi model berdasarkan metrik accuracy, precision, recall, dan F1-score. Kontribusi penelitian ini adalah menunjukkan bahwa optimasi hyperparameter menggunakan metode Grid Search mampu meningkatkan performa algoritma Random Forest dalam prediksi diabetes. Selain menghasilkan konfigurasi parameter yang lebih sesuai dengan karakteristik dataset, penelitian ini juga memberikan evaluasi performa model secara komprehensif melalui beberapa metrik klasifikasi sehingga dapat menjadi referensi dalam pengembangan model prediksi diabetes berbasis machine learning. Hasil pengujian menunjukkan bahwa model hasil optimasi memperoleh nilai accuracy sebesar 97,24%, lebih tinggi dibandingkan model baseline yang mencapai 96,97%, serta diikuti peningkatan nilai precision dan F1-score. Dengan demikian, penerapan optimasi pada algoritma Random Forest terbukti dapat meningkatkan kemampuan prediksi diabetes dan berpotensi mendukung proses deteksi dini berdasarkan data kesehatan.
Copyrights © 2026