Komparasi Perfoma Model Algoritma Random Forest dan K-Nearest Neighbors Pada Diagnosis Gestational Diabetes Mellitus (GDM)

Abstract

Diabetes melitus gestasional merupakan suatu kondisi dimana kadar glukosa darah berada di atas normal selama masa kehamilan. Kondisi ini dapat berdampak pada ibu dan bayi yang dikandungnya, sehingga deteksi dini terhadap GDM menjadi sangat penting. Penelitian ini bertujuan untuk membandingkan penggunaan algoritma machine learning, K-Nearest Neighbors (KNN) dan Random Forest, dalam mengklasifikasi dan memprediksi GDM. Data yang digunakan dalam penelitian ini berupa rekam medis dari 133 ibu hamil yang diobservasi sejak minggu ke-20 kehamilan hingga melahirkan. Dataset terdiri dari 14 variabel, dengan variabel dm gestasional digunakan sebagai variabel dependen. Perbandingan kinerja didasarkan pada precision, recall, f1-score, dan accuracy. Hasil penelitian menunjukkan bahwa akurasi algoritma KNN sebesar 93%, sedangkan akurasi algoritma Random Forest sebesar 96%. Dari hasil tersebut, dapat disimpulkan bahwa algoritma Random Forest lebih unggul dibandingkan dengan algoritma KNN dalam melakukan klasifikasi dan prediksi diabetes melitus gestasional pada ibu hamil.

Kata kunci: machine learning, k-nearest neighbors, random forest, diabetes mellitus gestational.