MODEL PREDIKSI DIABETES MENGGUNAKAN GAUSSIAN PROCESS CLASSIFIER PADA DATA KLINIS

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.