KLASIFIKASI TINGKAT PREVALENSI DIABETES MELITUS DI JAWA BARAT TAHUN 2023 MENGGUNAKAN ALGORITMA RANDOM FOREST DAN NAÏVE BAYES

Abstract

Prevalensi Diabetes Melitus (DM) terus meningkat setiap tahunnya dan menjadi salah satu beban kesehatan masyarakat yang signifikan di Provinsi Jawa Barat. Kondisi ini menuntut adanya upaya strategis untuk memahami pola penyebaran penyakit serta mengembangkan metode prediksi yang mampu mendukung perencanaan intervensi kesehatan masyarakat secara lebih efektif. Namun demikian, data kesehatan regional sering kali memiliki karakteristik yang tidak ideal, seperti ketidakseimbangan kelas, ketidaksamaan jumlah data antar wilayah, serta variasi distribusi yang cukup kompleks. Situasi tersebut dapat menghambat performa model klasifikasi dalam menghasilkan prediksi yang akurat dan dapat diandalkan. Oleh karena itu, pemilihan algoritma yang tepat menjadi aspek penting dalam proses analisis data kesehatan berbasis machine learning.Penelitian ini bertujuan untuk merancang, membangun, dan mengevaluasi model klasifikasi yang mampu memprediksi tingkat prevalensi DM di Jawa Barat tahun 2023 dengan memanfaatkan dua algoritma, yaitu Random Forest (RF) dan Naive Bayes (NB), yang mewakili pendekatan model ensemble dan probabilistik. Metode penelitian yang digunakan bersifat kuantitatif dengan memanfaatkan data prevalensi DM dari 27 kabupaten/kota. Tahapan penelitian meliputi prapemrosesan data, penanganan ketidakseimbangan kelas, eksplorasi variabel, pembangunan model, serta evaluasi komparatif untuk menilai efektivitas masing-masing algoritma.Hasil penelitian menunjukkan bahwa Random Forest secara konsisten memberikan performa lebih unggul dibandingkan Naive Bayes. RF mencapai akurasi 87%, presisi 85%, recall 83%, dan F1-score 84%, sedangkan NB hanya mencapai akurasi 78%. Temuan ini mengindikasikan bahwa Random Forest merupakan model yang lebih kuat, stabil, dan efektif dalam menangani kompleksitas data prevalensi DM di Jawa Barat, serta berpotensi digunakan sebagai alat pendukung keputusan dalam penyusunan kebijakan kesehatan masyarakat yang lebih adaptif dan berbasis data.