OPTIMASI RANDOM FOREST-SSO UNTUK KLASIFIKASI RISIKO DIABETES BERBASIS REKOMENDASI
DOI:
https://doi.org/10.70248/jcsit.v3i4.4362Keywords:
Diabetes Melitus, Random Forest, Salp Swarm Optimization, Klasifikasi Multiclass, Rekomendasi.Abstract
Diabetes melitus merupakan penyakit kronis yang memerlukan klasifikasi risiko secara sistematis untuk mendukung proses skrining dan pemantauan pasien. Penelitian ini mengoptimalkan Random Forest menggunakan Salp Swarm Optimization (SSO) untuk mengklasifikasikan risiko diabetes ke dalam kategori Normal, Pra-Diabetes, dan Diabetes serta memberikan rekomendasi awal. Dataset terdiri atas 500 data hasil pemeriksaan pasien UPTD Puskesmas Larompong tahun 2025 dengan 11 variabel masukan. Tahapan penelitian mencakup preprocessing, feature engineering, pembagian data 80% untuk pelatihan dan 20% untuk pengujian, pembangunan model baseline, optimasi enam hyperparameter menggunakan empat salp selama 40 iterasi, serta evaluasi model. Random Forest baseline memperoleh accuracy 88,00% dan macro F1-score 88,90%. Optimasi SSO menghasilkan n_estimators 247, max_depth 16, max_features 0,80, min_samples_split 4, min_samples_leaf 1, dan class_weight balanced. Model Random Forest-SSO memperoleh accuracy 90,00% serta macro precision, macro recall, dan macro F1-score sebesar 90,75%. Hasil tersebut menunjukkan bahwa SSO meningkatkan kinerja Random Forest dan mengurangi kesalahan klasifikasi antara kelas Pra-Diabetes dan Diabetes. Hasil prediksi digunakan sebagai dasar rekomendasi awal tanpa menggantikan pemeriksaan atau keputusan tenaga kesehatan.
References
C. N. Noviyanti and A. Alamsyah, “Early Detection of Diabetes Using Random Forest Algorithm,” Journal of Information System Exploration and Research, vol. 2, no. 1, 2024, doi: 10.52465/joiser.v2i1.245.
L. Ismail, H. Materwala, and J. Al Kaabi, “Association of risk factors with type 2 diabetes: A systematic review,” Computational and Structural Biotechnology Journal, vol. 19, pp. 1759-1785, 2021.
S. Anjani and M. T. Abiyasa, Disrupsi Digital dan Masa Depan Rekam Medis. Selat Media, 2023.
Y. Aryani and A. W. Wijayanto, “Klasifikasi Pengembalian Radar dari Ionosfer Menggunakan SVM, Naive Bayes dan Random Forest,” Komputika: Jurnal Sistem Komputer, vol. 10, no. 2, pp. 111-117, 2023, doi: 10.34010/komputika.v10i2.4347.
Y. Ardilla et al., Data Mining dan Aplikasinya. Penerbit Widina, 2022.
S. P. Nainggolan and A. Sinaga, “Comparative Analysis of Accuracy of Random Forest and Gradient Boosting Classifier Algorithm for Diabetes Classification,” Sebatik, vol. 27, no. 1, pp. 97-102, 2023, doi: 10.46984/sebatik.v27i1.2157.
A. Aji Septa, A. Al Farizi, A. N. Khafid, D. Prasetyo, N. C. Romadhon, and F. S. Utomo, “Diabetes Detection Optimisation with Hyperparameter Tuning in Random Forest Algorithm,” Journal of Informatics and Interactive Technology, vol. 1, no. 3, pp. 165-177, 2024, doi: 10.63547/jiite.v1i3.42.
G. Dhand, K. Sheoran, P. Agarwal, and S. S. Biswas, “Deep enriched salp swarm optimization based bidirectional-long short term memory model for healthcare monitoring system in big data,” Informatics in Medicine Unlocked, vol. 32, p. 101010, 2022, doi: 10.1016/j.imu.2022.101010.
H. Bao, L. Sun, G. Cui, S. Cai, W. Zheng, H. Peng, and C. Yang, “Salp swarm-optimized machine learning models for predicting preoperative aortic rupture risk in acute type A aortic dissection patients,” Frontiers in Physiology, vol. 16, p. 1675853, 2025, doi: 10.3389/fphys.2025.1675853.
