Pengaruh Hyperparameter Tuning Gridsearch pada Random Forest untuk Klasifikasi Diabetes Melitus

Resa Astari Br Tarigan; I Gusti Ayu Agung Diatri Indradewi; Gede Surya Mahendra

doi:10.31004/riggs.v5i2.11967

Authors

Resa Astari Br Tarigan Universitas Pendidikan Ganesha
I Gusti Ayu Agung Diatri Indradewi Universitas Pendidikan Ganesha
Gede Surya Mahendra Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.31004/riggs.v5i2.11967

Keywords:

Diabetes Melitus, Random Forest, Hyperparameter Tuning, GridSearchCV, Klasifikasi

Abstract

Diabetes Melitus merupakan salah satu penyakit kronis yang memerlukan deteksi dini dan klasifikasi yang akurat untuk mendukung pengambilan keputusan dalam bidang kesehatan. Salah satu algoritma yang banyak digunakan untuk tugas klasifikasi adalah Random Forest, namun performanya dipengaruhi oleh pemilihan hyperparameter yang tepat. Penelitian ini bertujuan untuk menganalisis pengaruh hyperparameter tuning menggunakan metode GridSearchCV terhadap kinerja algoritma Random Forest dalam klasifikasi Diabetes Melitus. Dataset yang digunakan diperoleh dari Mendeley Data dan terdiri atas 826 data setelah melalui tahap preprocessing. Penelitian dilakukan dengan membandingkan performa model Random Forest sebelum dan sesudah proses hyperparameter tuning menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model tanpa tuning menghasilkan accuracy sebesar 97,59%, precision 99,07%, recall 85,75%, dan F1-score 90,93%. Setelah dilakukan tuning menggunakan GridSearchCV, diperoleh parameter terbaik yaitu criterion = gini, max_depth = 15, min_samples_leaf = 1, max_features = sqrt, dan n_estimators = 300, yang menghasilkan accuracy sebesar 98,19%, precision 99,30%, recall 89,91%, dan F1-score 93,98%. Hasil penelitian menunjukkan bahwa penerapan GridSearchCV memberikan pengaruh positif terhadap performa Random Forest, terutama dalam meningkatkan kemampuan model mengenali kelas minoritas yang ditunjukkan oleh peningkatan nilai recall dan F1-score. Dengan demikian, hyperparameter tuning menggunakan GridSearchCV dapat digunakan untuk mengoptimalkan kinerja Random Forest dalam klasifikasi Diabetes Melitu gayanya.

Downloads

Download data is not yet available.

References

[1] M. Banurea, D. B. Hutagao, and O. Sihombing, “Klasifikasi Penyakit Stunting Dengan Menggunakan Algoritma Support Vector Machine Dan Random Forest,” J. TEKINKOM, vol. 6, no. 2, pp. 540–549, 2023, doi: 10.37600/tekinkom.v6i2.927.

[2] P. Sidik, I. M. G. Sunarya, and I. G. A. Gunadi, “Comparison of Random Forest and Support Vector Machine Methods in Sentiment Analysis of Student Satisfaction Questionnaire Comments at ITB STIKOM Bali,” vol. 9, no. 3, pp. 794–802, 2025.

[3] J. Z. and J. J. K. Qi An, Saifur Rahman, “A Comprehensive Review on Machine Learning in Healthcare Industry: Classification, Restrictions, Opportunities and Challenges,” Sensors, vol. 23, no. 9, 2023.

[4] A. Jarmakovica, “Machine learning-based strategies for improving healthcare data quality : an evaluation of accuracy , completeness , and reusability,” no. July, pp. 1–14, 2025, doi: 10.3389/frai.2025.1621514.

[5] C. Series, “Comparative study of classification method on diagnosis of plasmodium phase Comparative study of classification method on diagnosis of plasmodium phase”, doi: 10.1088/1742-6596/1516/1/012021.

[6] L. Breiman, “No Title,” pp. 1–33, 2001.

[7] C. Arnold, “The role of hyperparameters in machine learning models and how to tune them,” pp. 841–848, 2024, doi: 10.1017/psrm.2023.61.

[8] G. Abdurrahman, H. Oktavianto, and M. Sintawati, “Optimasi Algoritma XGBoost Classifier Menggunakan Hyperparameter Gridesearch dan Random Search Pada Klasifikasi Penyakit Diabetes,” INFORMAL Informatics J., vol. 7, no. 3, p. 193, 2022, doi: 10.19184/isj.v7i3.35441.

[9] S. K. Parinduri, P. Alkhairi, and H. Qurniawan, “Classification Model Optimization using Grid Search and Random Search in Machine Learning Algorithms,” vol. 4, no. 2, pp. 71–78, 2025, doi: 10.61944/bids.v4i2.136.

[10] A. A. Maitsa and N. A. S. Winarsih, “Comparison of Hyperparameter Tuning in Decision Tree and Random Forest Algorithms for Song Genre Classification,” vol. 9, no. 4, pp. 1825–1834, 2025.

[11] D. A. N. Pengobatan, “Telaah komprehensif diabetes melitus: klasifikasi, gejala, diagnosis, pencegahan, dan pengobatan,” vol. 7, no. August 2020, pp. 304–317, 2021.

[12] A. Zamani et al., “Investigating the Prevalence of Undiagnosed Diabetes and Its Associated Factors Among Healthcare Workers : A Cross-sectional Study in South of Iran,” pp. 413–420, 2024, doi: 10.4103/jod.jod.

[13] I. P. Dedy, W. Darmawan, G. A. Pradnyana, I. Bagus, and N. Pascima, “Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Analisis Sentimen Pada Media Sosial Instagram,” vol. 6, no. 1, pp. 58–67, 2023.

[14] L. E. O. Breiman, “Random Forests,” pp. 5–32, 2001.

[15] A. Fatoni, D. Putra, M. N. Azmi, S. Utama, I. G. Putu, and W. Wedashwara, “Optimizing Rain Prediction Model Using Random Forest and Grid Search Cross-Validation for Agriculture Sector,” vol. 23, no. 3, pp. 519–530, 2024, doi: 10.30812/matrik.v23i3.3891.