Optimasi Algoritma Decision Tree dalam Memprediksi Penyakit Diabetes Menggunakan GridSearchCV

Abstract

Penelitian ini bertujuan untuk mengoptimalkan algoritma Decision Tree dalam memprediksi penyakit diabetes melalui penerapan hyperparameter tuning menggunakan GridSearchCV serta penyeimbangan data dengan metode SMOTE (Synthetic Minority Over-sampling Technique). Dataset yang digunakan adalah Pima Indians Diabetes Dataset, yang terdiri dari delapan fitur medis dan satu label target. Model awal yang dibangun dengan parameter default menghasilkan akurasi sebesar 95,42%, namun memiliki kelemahan dalam mendeteksi pasien yang benar-benar menderita diabetes. Untuk mengatasi hal tersebut, dilakukan tuning terhadap parameter max_depth, min_samples_leaf, dan criterion, dan diperoleh konfigurasi terbaik: max_depth = 5, min_samples_leaf = 2, dan criterion = ‘entropy’. Model hasil optimasi menunjukkan peningkatan performa signifikan, dengan akurasi meningkat menjadi 97,06%, serta nilai precision, recall, dan F1-score sebesar 0,97 untuk kelas positif. Hasil ini menunjukkan bahwa kombinasi antara optimasi parameter dan penyeimbangan data secara sistematis mampu meningkatkan akurasi dan keandalan model prediksi untuk diagnosis dini penyakit diabetes.