Klasifikasi Penyakit Diabetes Menggunakan Algoritma Decision Tree

Abstract

Abstrak Penyakit diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh dunia. Diagnosis dini menjadi permasalahan utama dalam pengelolaan penyakit diabetes di mana banyak pasien tidak menyadari penyakit mereka sampai gejala serius muncul. Klasifikasi penyakit diabetes membantu mengidentifikasi diabetes pada tahap awal untuk intervensi yang lebih efektif. Penelitian ini menggunakan algoritma Decision Tree untuk mengidentifikasi serta mengklasisfikasikan pasien diabetes. Dataset bersal dari kumpulan data klinis pasien diabetes dan membangun model klasifikasi menggunakan algoritma Decision Tree. Model yang dihasilkan mampu mengidentifikasi pasien diabetes dengan tingkat akurasi yang tinggi berdasarkan data klinis yang terkumpul. Hasil evaluasi model menunjukkan presisi sebesar 0.78, recall sebesar 0.45, dan F1-score sebesar 0.57 untuk kelas positif diabetes. Namun, hasil evaluasi juga menunjukkan adanya batasan pada kinerja model dalam mengklasifikasikan pasien diabetes dengan recall yang lebih rendah. Oleh karena itu, penelitian ini memberikan landasan untuk pengembangan lebih lanjut guna meningkatkan performa model klasifikasi ini, seperti dengan mempertimbangkan atribut klinis lainnya yang relevan. Abstract Diabetes is a chronic disease whose prevalence continues to increase worldwide. Early diagnosis is a major problem in managing diabetes where many patients are not aware of their disease until serious symptoms appear. Diabetes disease classification helps identify diabetes at an early stage for more effective interventions. This study uses the Decision Tree algorithm to identify and classify diabetes patients. The dataset comes from a clinical data set of diabetes patients and builds a classification model using the Decision Tree algorithm. The resulting model is able to identify diabetes patients with a high degree of accuracy based on the collected clinical data. The results of the model evaluation showed a precision of 0.78, a recall of 0.45, and an F1-score of 0.57 for the positive diabetes class. However, the evaluation results also show that there is a limitation on the performance of the model in classifying diabetic patients with lower recall. Therefore, this study provides a basis for further development to improve the performance of this classification model, such as by considering other relevant clinical attributes.