PENILAIAN KOMPARATIF METODE KLASIFIKASI NEURAL NETWORK DAN RANDOM FOREST UNTUK KNOWLEDGE DISCOVERY PADA PENYAKIT DIABETES

Abstract

Penelitian ini membahas penerapan data mining dalam prediksi diabetes, yang menjadi isu penting dalam bidang kesehatan dan teknologi informasi. Permasalahan utama yang diangkat adalah tingginya angka penderita diabetes yang sering terlambat terdiagnosis, yang berdampak pada meningkatnya risiko komplikasi serius dan biaya perawatan yang tinggi. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model prediksi diabetes yang lebih akurat menggunakan teknik data mining. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif dengan teknik pengumpulan data melalui analisis dataset diabetes menggunakan algoritma klasifikasi seperti Random Forest, dan Neural Network. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki tingkat akurasi tertinggi sebesar 96,88% dibandingkan metode Neural Network dengan akurasi sebesar 89,23%, yang mengindikasikan bahwa metode Random Forest ini efektif dalam mendeteksi potensi pre-diabetes lebih dini. Kesimpulan dari penelitian ini menegaskan bahwa pemanfaatan data mining dapat meningkatkan akurasi prediksi pre-diabetes serta memberikan rekomendasi bagi tenaga medis dalam pengambilan keputusan diagnostik.