Implementasi Pohon Keputusan untuk Prediksi Penyakit Diabetes

Abstract

Diabetes merupakan salah satu penyakit metabolik kronis yang prevalensinya terus meningkat dan berpotensi menimbulkan berbagai komplikasi serius apabila tidak terdeteksi sejak dini. Pemeriksaan kesehatan secara rutin menjadi upaya penting dalam deteksi dini, namun sering kali terkendala oleh keterbatasan biaya dan waktu. Oleh karena itu, penelitian ini bertujuan untuk memprediksi risiko penyakit diabetes menggunakan algoritma pohon keputusan C4.5 berdasarkan faktor-faktor klinis dan gaya hidup. Data yang digunakan merupakan data sekunder dari Kaggle dengan total 200 data, terdiri atas 100 pasien diabetes dan 100 pasien non-diabetes. Atribut yang digunakan meliputi jenis kelamin, usia, hipertensi, penyakit jantung, riwayat merokok, indeks massa tubuh (BMI), level HbA1c, dan kadar gula darah. Data dinormalisasi ke dalam beberapa kategori sebelum dilakukan proses klasifikasi. Hasil penelitian menunjukkan bahwa atribut kadar gula darah memiliki nilai gain ratio tertinggi sehingga menjadi akar pohon keputusan dan faktor paling dominan dalam penentuan risiko diabetes. Individu dengan kadar gula darah normal dan risiko diklasifikasikan sebagai tidak diabetes, sedangkan kadar gula darah tinggi memerlukan evaluasi lanjutan terutama berdasarkan level HbA1c dan faktor pendukung lainnya. Penelitian ini menunjukkan bahwa algoritma C4.5 efektif digunakan sebagai alat bantu prediksi risiko diabetes dan berpotensi mendukung proses deteksi dini secara lebih cepat dan efisien.