Abstract:
Diabetes Mellitus merupakan penyakit metabolik kronis yang membutuhkan
deteksi dini untuk mencegah komplikasi fatal. Penggunaan Machine Learning
dalam prediksi klinis seringkali hanya memberikan keputusan deterministik tanpa
estimasi ketidakpastian (uncertainty estimation), padahal informasi probabilitas
sangat penting dalam pengambilan keputusan medis. Penelitian ini bertujuan untuk
mengimplementasikan algoritma Gaussian Process Classifier (GPC) dalam
membangun model prediksi risiko diabetes yang tidak hanya akurat tetapi juga
menghasilkan probabilitas terkalibrasi. Data yang digunakan berasal dari Diabetes
prediction dataset dengan memanfaatkan 1.500 sampel yang mencakup 8 fitur
klinis. Tahapan pra-pemrosesan data meliputi imputasi, standardisasi (Z-score),
encoding, dan penyeimbangan kelas data menggunakan Synthetic Minority Over
sampling Technique (SMOTE). Berdasarkan hasil evaluasi pengujian dengan
fungsi Radial Basis Function (RBF) Kernel serta penyesuaian ambang batas
(threshold tuning) ke titik 0,3558, model berhasil mencapai tingkat Akurasi sebesar
90%, Recall 92,30%, Presisi 46,15%, dan F1-Score 61,54%. Model ini juga
menunjukkan tingkat keandalan probabilitas yang luar biasa dengan skor ROC
AUC mencapai 0,9533 dan nilai Brier Score sebesar 0,0633. Hasil ini membuktikan
bahwa algoritma GPC sangat layak dan andal untuk direkomendasikan sebagai
instrumen skrining medis awal yang mampu meminimalkan rasio False Negative.
Lebih lanjut, model prediktif ini telah diimplementasikan ke dalam purwarupa
Clinical Decision Support System (CDSS) interaktif berbasis web.
