Perbandingan Algoritma Random Forest dan XGBoost dalam Klasifikasi Diagnosis Penyakit Diabetes Melitus di RSUD dr. Rasidin Kota Padang

Deteksi dini penyakit Diabetes Melitus menjadi hal yang sangat penting untuk mencegah terjadinya komplikasi serius serta meningkatkan kualitas hidup pasien. Dalam upaya mendukung proses diagnosis yang lebih akurat, penerapan metode klasifikasi berbasis pembelajaran mesin dapat membantu tenaga medis dalam mengidentifikasi pasien dengan risiko diabetes secara lebih efisien. Oleh karena itu, penelitian ini membandingkan performa dua algoritma pembelajaran mesin, yaitu Random Forest dan XGBoost, dalam mengklasifikasikan diagnosis Diabetes Melitus. Data penelitian diperoleh dari rekam medis pasien poli penyakit dalam di RSUD dr. Rasidin Kota Padang tahun 2023 dengan jumlah 657 observasi. Dataset terdiri dari delapan variabel, yaitu umur, jenis kelamin, kadar glukosa, tekanan darah, riwayat keluarga, indeks massa tubuh (IMT), kadar kolesterol, serta status diagnosis Diabetes Melitus sebagai variabel target. Hasil penelitian menunjukkan bahwa algoritma XGBoost memberikan performa yang lebih baik dibandingkan Random Forest. Model Random Forest menghasilkan accuracy sebesar 84,4%, precision 87,8%, recall 87,8%, specificity 80,0%, dan F1- score 87,8%. Sementara itu, XGBoost mencapai accuracy 87,1%, precision 87,3%, recall 92,6%, specificity 78,0%, dan F1-score 89,0%. Berdasarkan analisis feature importance, variabel kadar glukosa, IMT, umur, dan tekanan darah merupakan faktor yang paling berpengaruh terhadap hasil klasifikasi. Secara umum, pasien dengan kadar glukosa ≥126 mg/dL, IMT >25, dan usia di atas 45 tahun memiliki kecenderungan lebih tinggi untuk terdiagnosis Diabetes Melitus. Dengan demikian, XGBoost dapat disimpulkan sebagai model terbaik dalam klasifikasi diagnosis Diabetes Melitus di RSUD dr. Rasidin Kota Padang.