Implementasi algoritma random forest dan multi-layer perceptron classifier untuk prediksi penyakit diabetes di Puskesmas Panunggangan
Survei Ikatan Dokter Anak Indonesia (IDAI) menunjukkan peningkatan prevalensi
Diabetes Melitus dalam kurun waktu 13 tahun, dari tahun 2010 hingga 2023 pada
anak Indonesia melonjak 70 kali lipat. Penilaian status risiko Diabetes Melitus
menjadi langkah awal dalam mengidentifikasi pemeriksaan kesehatan yang dapat
dihadapi oleh pasien. Penelitian ini bertujuan mengidentifikasi resiko penyakit
Diabetes Melitus dan dapat dilakukan intervensi yang tepat dalam mencegah
penyakit Diabetes Melitus dengan pendekatan machine learning komparasi model
Random Forest Classifier dan Multi-Layer Perceptron Classifier (MLP). Metode
penelitian yang digunakan adalah kuantitatif dengan teknik pengumpulan data
atribut polidipsia, poliuria, luka lamban sembuh, berat badan menurun, GDP
(mg/dL), GDS (mg/dL) pada pemeriksaan di Puskesamas Panunggangan. Hasil
penelitian ini akan mengevaluasi kinerja secara keseluruhan preprocessing hingga
model, dimana pada tahap klasifikasi model dilakukan perbandingan SMOTE dan
tanpa SMOTE untuk mengevaluasi ketepatan pada model. Implikasi penelitian ini
adalah analisa dengan Normalization min-max, SMOTE, Gaussian Base-SMOTE,
Random Splitting 70:30, 75:25, 80:20 dan komparasi model dengan memberikan
akurasi yang berbeda yaitu SMOTE menghasilkan akurasi yang sangat baik, model
Random Forest Classifier akurasi 99% dan Multi-Layer Perceptron akurasi 98%
dari Random Split 70:30.
Detail Information
