Klasifikasi resiko Diabetes Mengunakan Algoritma Decision Tree
DOI:
https://doi.org/10.58436/jsitp.v6i2.2485Keywords:
Diabetes, Data Mining, Decision Tree, Klasifikasi, RapidMinerAbstract
Abstrak
Peningkatan kasus Diabetes Mellitus menuntut adanya metode deteksi dini yang efektif untuk mencegah komplikasi serius pada penderita. Penelitian ini bertujuan mengklasifikasikan risiko diabetes menggunakan algoritma Decision Tree yang mampu menghasilkan aturan keputusan yang mudah diinterpretasikan oleh tenaga medis. Penelitian memanfaatkan dataset Pima Indians Diabetes dari repositori UCI Machine Learning yang diolah menggunakan perangkat lunak RapidMiner. Melalui tahapan preprocessing dan pembagian data latih serta uji dengan rasio 80:20, model dievaluasi menggunakan Confusion Matrix dan kurva ROC. Hasil pengujian menunjukkan model mencapai akurasi 70.13%, presisi 70.00%, recall 25.93%, dan nilai AUC sebesar 0.736 (fair performance). Meskipun nilai recall rendah mengindikasikan keterbatasan sensitivitas, tingginya nilai presisi menunjukkan model sangat andal dalam meminimalkan kesalahan diagnosis positif palsu. Secara spesifik, model menemukan aturan klinis bahwa kadar glukosa di atas 127.5 mg/dL merupakan indikator risiko tinggi, diikuti oleh Body Mass Index (BMI) dan usia sebagai faktor determinan sekunder pada pasien dengan gula darah normal. Penelitian ini menyimpulkan bahwa metode Decision Tree efektif digunakan sebagai sistem pendukung keputusan medis berbasis aturan (rule-based decision support) untuk identifikasi profil risiko pasien.
References
R. Daud, S. Rahma, and S. F. M. Arsad, “Hubungan Dukungan Keluarga dengan Kepatuhan Minum Obat pada Pasien Diabetes Melitus Disertai Hipertensi Di Wilayah Kerja Puskesmas Kabila,” J. Kolaboratif Sains, vol. 8, no. 7, pp. 4869–4879, 2025, doi: 10.56338/jks.v8i7.8322.
R. Fadila, M. P. Via, A. A. I. C. Dewiyani, and A. Ardhiasti, “Analisis Pencapaian Indikator Kapitasi Berbasis Kinerja Pada Masa Pandemi Covid 19,” J. Kesehat. Qamarul Huda, vol. 11, no. 1, pp. 241–249, 2023, doi: 10.37824/jkqh.v11i1.2023.446.
A. Hennebelle, L. Ismail, H. Materwala, J. Al Kaabi, and R. Janardhanan, “Secure and Privacy-Preserving Automated Machine Learning Operations into End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring System for Diabetes Mellitus Prediction,” arXiv, pp. 1–41, 2023.
E. Safitri, D. Rofianto, N. Purwati, H. Kurniawan, and S. Karnila, “Prediksi Penyakit Diabetes Melitus Menggunakan Algoritma Machine Learning,” J. Sist. dan Teknol. Inf., vol. 12, no. 4, pp. 760–766, 2024, doi: 10.26418/justin.v12i4.84620.
A. Wijaya and W. Bismi, “Penerapan Algoritma Machine Learning Dalam Mengklasifikasi Data Masa Studi di Indonesia Berdasarkan Jenis Kelamin,” JIEET (Journal Inf. Eng. Educ. Technol., vol. 08, no. 02, pp. 62–70, 2024.
M. Wahidin et al., “Projection of diabetes morbidity and mortality till 2045 in Indonesia based on risk factors and NCD prevention and control programs,” Sci. Rep., pp. 1–17, 2024, doi: 10.1038/s41598-024-54563-2.
P. Data, I. Kementerian, K. Republik, and K. Kunci, “PENERAPAN MACHINE LEARNING DALAM PREDIKSI TINGKAT KASUS PENYAKIT DI INDONESIA,” J. Inf. Syst. Manag., vol. 5, no. 1, pp. 40–45, 2023.
N. Wayan, E. Rosiana, I. M. S. Putra, E. Simanungkalit, T. Informasi, and U. Udayana, “Comparison of decision tree and naive bayes methods in glioma classification based on clinical and molecular factors,” J. Mandiri IT, vol. 13, no. 4, pp. 408–418, 2025.
B. T. Jijo and A. M. Abdulazeez, “Classification Based on Decision Tree Algorithm for Machine Learning,” J. Appl. Sci. Technol. TRENDS, vol. 02, no. 01, pp. 20–28, 2021, doi: 10.38094/jastt20165.
M. Ridwan, B. Ulum, F. Muhammad, and U. I. Indragiri, “Pentingnya Penerapan Literature Review pada Penelitian Ilmiah,” J. Masohi, vol. 02, no. 1, pp. 42–51, 2021.
M. Faisal, “Klasifikasi Penyakit Diabetes Menggunakan Algoritma Decision Tree,” J. Inform., vol. 10, no. 2, pp. 143–149, 2023.
D.M.W., POWERS “EVALUATION : FROM PRECISION , RECALL AND F-MEASURE TO ROC , INFORMEDNESS , MARKEDNESS & CORRELATION,” J. Mach. Learn. Technol., vol. 2, no. 1, pp. 37–63, 2011.
T. Fawcett, “An introduction to ROC analysis,” Pattern Recognit. Lett., vol. 27, no. 8, pp. 861–874, 2006, doi: 10.1016/j.patrec.2005.10.010.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Stefanus Charles Selvianto, Alexander Novaldi, Andri Wijaya
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
