Diabetes adalah penyebab utama kematian dan kecacatan, serta menimbulkan beban ekonomi dan sosial yang sangat besar. Hampir setengah dari penderita diabetes belum terdiagnosis, sehingga memperbesar kemungkinan terjadinya komplikasi dan kematian dini.
DiaForest hadir untuk membantu deteksi dini diabetes dengan menyediakan tool prediksi yang mudah diakses oleh tenaga kesehatan di layanan primer maupun masyarakat umum. Dengan deteksi dini, kita dapat mengurangi risiko komplikasi dan meningkatkan kualitas hidup penderita diabetes.
Sistem ini dikembangkan sebagai bagian dari Tugas Akhir dengan judul "Implementasi Klasifikasi Penyakit Diabetes Menggunakan Algoritma Random Forest"
PrediksiBetes menggunakan algoritma Random Forest Classifier, sebuah metode machine learning yang menggabungkan banyak decision tree untuk meningkatkan akurasi prediksi.
Anda memasukkan 8 parameter kesehatan: jenis kelamin, usia, riwayat hipertensi, riwayat penyakit jantung, riwayat merokok, BMI, kadar HbA1c, dan kadar gula darah.
Data Anda dikirim ke model machine learning yang telah dioptimasi menggunakan hyperparameter tuning untuk akurasi maksimal.
Model menganalisis data Anda dan menghasilkan probabilitas risiko diabetes berdasarkan pola yang dipelajari dari 100.000 kasus nyata.
Anda menerima hasil prediksi dengan tingkat risiko (Rendah, Sedang, Tinggi) beserta rekomendasi tindak lanjut.
Random Forest dengan optimasi hyperparameter menggunakan Grid Search
100.000 data medis pasien dari Kaggle
95,8% (weighted average 96%)
SMOTE (Synthetic Minority Over-sampling Technique)
Sistem ini dikembangkan berdasarkan tinjauan literatur ekstensif terhadap penelitian-penelitian terkini di bidang prediksi diabetes menggunakan machine learning.
Dikembangkan melalui penelitian akademik yang ketat dengan metodologi ilmiah yang terbukti.
Data Anda tidak disimpan. Semua pemrosesan dilakukan secara real-time.
Gratis dan dapat diakses oleh tenaga kesehatan maupun masyarakat umum.
Membantu deteksi dini diabetes untuk mengurangi komplikasi dan meningkatkan kualitas hidup.
Ahmad, S. M., & Ahmed, N. M. (2023). Classification based on event in survival machine learning analysis of cardiovascular disease cohort. BMC Cardiovascular Disorders, 23. https://doi.org/10.1186/s12872-023-03328-2
Ahmed, U., Issa, G. F., Khan, M. A., Aftab, S., Khan, M. F., Said, R. A. T., Ghazal, T. M., & Ahmad, M. (2022). Prediction of Diabetes Empowered With Fused Machine Learning. IEEE Access, 10, 8529–8538. https://doi.org/10.1109/ACCESS.2022.3142097
Alpaydin, E. (2021). Machine learning. https://doi.org/10.7551/mitpress/13811.001.0001
Anisa, N., & Kurniawan, A. (2024). The Diabetes Prediction Using Flask and Decision Tree Classifier with Cross-Validation: Prediksi Diabetes Menggunakan Flask dan Decision Tree Classifier dengan Validasi Silang. Install: Information System and Technology Journal, 1(1), 35–44. https://doi.org/10.33859/install.v1i1.548
Association, A. D. (2013). Diagnosis and classification of diabetes mellitus.Diabetes Care, 37(Supplement_1), S81–S90. https://doi.org/10.2337/dc14-S081
Dutta, P., Paul, S., & Kumar, A. (2021). Comparative analysis of various supervised machine learning techniques for diagnosis of COVID-19. In Electronic Devices, Circuits, and Systems for Biomedical Applications (pp. 521–540). Elsevier. https://doi.org/10.1016/B978-0-323-85172-5.00020-4
Fauzan, H. (2025). Implementasi Klasifikasi Penyakit Diabetes Menggunakan Algoritma Random Forest [Tugas Akhir]. Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru.
Hsu, D. (2022). Overview of machine learning. International Journal of Advanced Research in Science, Communication and Technology. https://doi.org/10.48175/ijarsct-4844
Iman, Q., & Wijayanto, A. W. (2021). Klasifikasi Rumah Tangga Penerima Beras Miskin (Raskin)/Beras Sejahtera (Rastra) di Provinsi Jawa Barat Tahun 2017 dengan Metode Random Forest dan Support Vector Machine. JUSTIN (Jurnal Sistem dan Teknologi Informasi), 9(2), Article 2. https://doi.org/10.26418/justin.v9i2.44137
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning.Electronic Markets, 31, 685–695. https://doi.org/10.1007/s12525-021-00475-2
Lal, D., & S, A. V. (2023). Exploring the Efficacy of Machine Learning Algorithms for Diabetes Prediction: A Comparative Prediction. International Journal for Research in Applied Science and Engineering Technology, 11(5), 2904–2910. https://doi.org/10.22214/ijraset.2023.51565
Lin, X., Xu, Y., Pan, X., Xu, J., Ding, Y., Sun, X., Song, X., Ren, Y., & Shan, P.-F. (2020). Global, regional, and national burden and trend of diabetes in 195 countries and territories: An analysis from 1990 to 2025. Scientific Reports, 10(1), 14790. https://doi.org/10.1038/s41598-020-71908-9
Marupura, B., Vaibhav, S. K., V. G., N., & G., S. (2024). Web Application for Diabetes Prediction using Machine Learning Techniques. WSEAS TRANSACTIONS ON COMPUTERS, 23, 237–244. https://doi.org/10.37394/23205.2024.23.23
Ong, K. L., Stafford, L. K., McLaughlin, S. A., Boyko, E. J., Vollset, S. E., Smith, A. E., Dalton, B. E., Duprey, J., Cruz, J. A., Hagins, H., Lindstedt, P. A., Aali, A., Abate, Y. H., Abate, M. D., Abbasian, M., Abbasi-Kangevari, Z., Abbasi-Kangevari, M., ElHafeez, S. A., Abd-Rabu, R., … Vos, T. (2023). Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: A systematic analysis for the Global Burden of Disease Study 2021. The Lancet, 402(10397), 203–234. https://doi.org/10.1016/S0140-6736(23)01301-6
Priande, E., & Zamroni, G. M. (2024). Pengembangan Sistem Prediksi Harga Mobil Bekas OLX Menggunakan Algorithma Random Forest. 12(1).
Putri, S. U., Irawan, E., & Rizky, F. (2021). Implementasi Data Mining Untuk Prediksi Penyakit Diabetes Dengan Algoritma C4.5. Kesatria: Jurnal Penerapan Sistem Informasi (Komputer Dan Manajemen), 2(1), Article 1. https://doi.org/10.30645/kesatria.v2i1.56
Religia, Y., Nugroho, A., & Hadikristanto, W. (2021). Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), Article 1. https://doi.org/10.29207/resti.v5i1.2813
Samet, S., Laouar, M. R., Bendib, I., & Eom, S. (2022). Analysis and Prediction of Diabetes Disease Using Machine Learning Methods. International Journal of Decision Support System Technology, 14(1), 1–19. https://doi.org/10.4018/IJDSST.303943
Sarica, A., Cerasa, A., & Quattrone, A. (2017). Random forest algorithm for the classification of neuroimaging data in alzheimer's disease: A systematic review.Frontiers in Aging Neuroscience, Volume 9-2017. https://doi.org/10.3389/fnagi.2017.00329
Silalahi, A. P., Simanullang, H. G., & Hutapea, M. I. (2023). Supervised Learning Metode K-Nearest Neighbor Untuk Prediksi Diabetes Pada Wanita. METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi, 7(1), Article 1. https://doi.org/10.46880/jmika.Vol7No1.pp144-149
Silitonga, Y. S. M., Fitri, Z., Karimah, A. D., Hendratno, E. F., Devanka, K. A. A., Puryani, N. Z., Hikmah, W. N., Larasari, A., & Satyasari, D. (2024). Pendekatan Kedokteran Keluarga pada Diabetes Mellitus dengan Komplikasi Kronis.
Siti Kalimah. (2022). Klasifikasi Penyakit Diabetes Menggunakan Metode Decision Tree dan Random Forest [Skripsi]. Universitas Sriwijaya. http://repository.unsri.ac.id/id/eprint/81689
Soeatmadji, D. W., Rosandi, R., Saraswati, M. R., Sibarani, R. P., & Tarigan, W. O. (2023). Clinicodemographic Profile and Outcomes of Type 2 Diabetes Mellitus in the Indonesian Cohort of DISCOVER: A 3-Year Prospective Cohort Study. Journal of the ASEAN Federation of Endocrine Societies, 38(1), 68–74. https://doi.org/10.15605/jafes.038.01.10
Wahidin, M., Achadi, A., Besral, B., Kosen, S., Nadjib, M., Nurwahyuni, A., Ronoatmodjo, S., Rahajeng, E., Pane, M., & Kusuma, D. (2024). Projection of diabetes morbidity and mortality till 2045 in Indonesia based on risk factors and NCD prevention and control programs. Scientific Reports, 14(1), 5424. https://doi.org/10.1038/s41598-024-54563-2
Wijoyo, A., Saputra, A. Y., Ristanti, S., Sya'Ban, S. R., Amalia, M., & Febriansyah, R. (2024). Pembelajaran Machine Learning. 3(2).
Zhang, J., Zhang, Z., Zhang, K., Ge, X., Sun, R., & Zhai, X. (2023). Early detection of type 2 diabetes risk: Limitations of current diagnostic criteria. Frontiers in Endocrinology, 14, 1260623. https://doi.org/10.3389/fendo.2023.1260623