Perbandingan Efektivitas Random Forest dan K-Nearest Neighbors (KNN) dalam Memprediksi Risiko Penyakit Diabetes Melitus

Abstract

Identifikasi penyakit diabetes melitus masih menjadi tantangan karena pola data yang sangat beragam, sehingga diperlukan sebuah metode klasifikasi yang lebih akurat. Penelitian ini dilakukan bertujuan untuk melakukan perbandingan performa algoritma Random Forest dan K-Nearest Neighbors (KNN) dalam mengklasifikasikan data penyakit diabetes menggunakan dataset dari Kaggle yang memuat 8 atribut. Proses analisis meliputi preprocessing, normalisasi, pembagian data latih dan data uji, dan optimasi parameter dengan GridSearchCV. Hasil menunjukkan bahwa algoritma Random Forest lebih baik dengan akurasi 74,7% dibandingkan KNN yang hanya 70,8% serta lebih efektif dalam mendeteksi kelas positif berdasarkan precision, recall, F1-score, dan confusion matrix. Berdasarkan hasil ini maka menegaskan bahwa algoritma Random Forest lebih baik dalam melakukan klasifikasi penyakit diabetes melitus dan memungkinkan untuk mendukung pengembangan sistem diagnosis penyakit diabetes berbasis machine learning dibidang kesehatan.