ANALISIS KLASIFIKASI RISIKO DIABETES MENGGUNAKAN GAUSSIAN NAÏVE BAYES PADA DATA MEDIS

Abstract

Diabetes melitus merupakan penyakit metabolik kronis dengan prevalensi yang meningkat setiap tahun, sehingga deteksi dini menjadi aspek penting dalam upaya pencegahan. Pemanfaatan machine learning pada data medis membuka peluang untuk mengembangkan sistem prediksi risiko yang akurat dan efisien. Penelitian ini mengusulkan penggunaan algoritma Naïve Bayes Classifier sebagai metode klasifikasi probabilistik yang sederhana, cepat, dan efektif untuk memprediksi risiko diabetes berdasarkan fitur medis dan gaya hidup. Dataset penelitian merupakan data medis publik berisi 100.000 sampel dan 31 atribut, meliputi indikator klinis (glukosa, HbA1c, tekanan darah), demografi, indeks massa tubuh, aktivitas fisik, riwayat penyakit, serta faktor gaya hidup lainnya. Tahapan penelitian meliputi pembersihan data, normalisasi fitur, analisis korelasi, pembagian data, pelatihan model, dan evaluasi performa menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Naïve Bayes memberikan performa sangat tinggi dengan akurasi 0,9980, precision 1,0000, recall 0,9968, dan F1-score 0,9984. Fitur paling berpengaruh terhadap risiko diabetes adalah HbA1c, glucose_postprandial, dan glucose_fasting. Temuan ini menunjukkan bahwa Naïve Bayes merupakan metode yang andal dan efisien untuk prediksi risiko diabetes, serta berpotensi diterapkan dalam sistem pendukung keputusan klinis untuk skrining awal. Penelitian selanjutnya disarankan membandingkan algoritma lain, menambah fitur perilaku, serta menguji model pada dataset klinis nyata.