JURNAL INFORMATIKA, Vol. 10 No.

2 Oktober 2023, Halaman 143-149

ISSN: 2355-6579 | E-ISSN: 2528-2247
DOI: https://doi.org/10.31294/inf.v10i2.15989

Klasifikasi Penyakit Diabetes Menggunakan Algoritma

Decision Tree
Nurussakinah1* , Muhammad Faisal2
1,2
Fakultas Sains dan Teknologi, Program Studi Teknik Informatika, Universitas Islam Negeri Maulana
Malik Ibrahim, Kota Malang, Indonesia

e-mail: 1200605110027@student.uin-malang.ac.id, 2mfaisal@ti.uin-malang.ac.id

Informasi Artikel Diterima: 02-06-2023 Direvisi: 27-06-2023 Disetujui: 14-07-2023

Abstrak
Penyakit diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh
dunia. Diagnosis dini menjadi permasalahan utama dalam pengelolaan penyakit diabetes di mana
banyak pasien tidak menyadari penyakit mereka sampai gejala serius muncul. Klasifikasi penyakit
diabetes membantu mengidentifikasi diabetes pada tahap awal untuk intervensi yang lebih efektif.
Penelitian ini menggunakan algoritma Decision Tree untuk mengidentifikasi serta mengklasisfikasikan
pasien diabetes. Dataset bersal dari kumpulan data klinis pasien diabetes dan membangun model
klasifikasi menggunakan algoritma Decision Tree. Model yang dihasilkan mampu mengidentifikasi
pasien diabetes dengan tingkat akurasi yang tinggi berdasarkan data klinis yang terkumpul. Hasil
evaluasi model menunjukkan presisi sebesar 0.78, recall sebesar 0.45, dan F1-score sebesar 0.57
untuk kelas positif diabetes. Namun, hasil evaluasi juga menunjukkan adanya batasan pada kinerja
model dalam mengklasifikasikan pasien diabetes dengan recall yang lebih rendah. Oleh karena itu,
penelitian ini memberikan landasan untuk pengembangan lebih lanjut guna meningkatkan performa
model klasifikasi ini, seperti dengan mempertimbangkan atribut klinis lainnya yang relevan.

Kata Kunci: Diabetes, Klasifikasi, Algoritma Decision Tree

Abstract
Diabetes is a chronic disease whose prevalence continues to increase worldwide. Early diagnosis is a
major problem in managing diabetes where many patients are not aware of their disease until serious
symptoms appear. Diabetes disease classification helps identify diabetes at an early stage for more
effective interventions. This study uses the Decision Tree algorithm to identify and classify diabetes
patients. The dataset comes from a clinical data set of diabetes patients and builds a classification model
using the Decision Tree algorithm. The resulting model is able to identify diabetes patients with a high
degree of accuracy based on the collected clinical data. The results of the model evaluation showed a
precision of 0.78, a recall of 0.45, and an F1-score of 0.57 for the positive diabetes class. However, the
evaluation results also show that there is a limitation on the performance of the model in classifying
diabetic patients with lower recall. Therefore, this study provides a basis for further development to
improve the performance of this classification model, such as by considering other relevant clinical
attributes.

Keywords: Diabetes, Classification, Algorithm Decision Tree

1. Pendahuluan ketidakseimbangan insulin dapat mengakibatkan

Diabetes mellitus, yang umumnya komplikasi serius bagi penderitanya (Hardianto,
dikenal sebagai diabetes, merupakan salah 2021).
satu penyakit kronis yang mempengaruhi jutaan Pentingnya diagnosis dini dan pengelolaan
orang di seluruh dunia (Camerlingo et al., 2022; yang efektif bagi penderita diabetes tidak bisa
Sunanto & Falah, 2022). Penyakit ini ditandai diabaikan(Aris & Benyamin, 2019; Erlin et al.,
dengan peningkatan kadar gula darah yang 2022). Kadar gula darah yang tidak terkontrol
terjadi akibat ketidakmampuan pankreas untuk dapat menyebabkan kerusakan pada organ-
memproduksi atau memanfaatkan insulin organ tubuh dan meningkatkan risiko penyakit
dengan efektif(Ente et al., 2020; Karyadiputra & jantung, penyakit ginjal, kerusakan saraf, dan
Setiawan, 2022). Insulin adalah hormon yang komplikasi lainnya(Lestari et al., 2021; Putri et al.,
bertanggung jawab dalam mengatur 2021). Oleh karena itu, pengembangan metode
metabolisme gula dalam tubuh, dan klasifikasi yang akurat dan efisien untuk
143

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 JURNAL INFORMATIKA, Vol. 10 No.2 Oktober 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

mendiagnosis penyakit diabetes sangatlah dan memulai langkah-langkah pengelolaan yang

penting(Fadhillah et al., 2022). tepat. Dengan demikian, penelitian ini memiliki
Salah satu pendekatan yang telah potensi untuk memberikan kontribusi yang
digunakan dalam mendiagnosis diabetes signifikan dalam meningkatkan kualitas hidup
adalah penggunaan algoritma Decision penderita diabetes dan mencegah komplikasi
Tree(Posonia et al., 2020). Algoritma ini yang berpotensi mengancam kesehatan mereka.
merupakan metode klasifikasi yang populer
dalam bidang kecerdasan buatan(Hana, 2020). 2. Metode Penelitian
Decision Tree membangun sebuah pohon Pada klasifikasi penyakit diebetes ini
keputusan berdasarkan atribut-atribut yang ada menggunakan algoritma Decision Tree. Decision
pada data dan menghasilkan aturan-aturan Tree. Decision Tree adalah salah satu algoritma
yang dapat digunakan untuk mengklasifikasi- machine learning yang populer untuk klasifikasi
kan data yang belum pernah dilihat sebelumnya dan regresi. Algoritma ini mengambil bentuk
(Elfaladonna & Rahmadani, 2019; V.A.R.Barao struktur pohon yang berisi keputusan dan aturan
et al., 2022). yang digunakan untuk mengklasifikasikan atau
Penelitian sebelumnya yang relevan memprediksi nilai target berdasarkan fitur-fitur
adalah Diabetes Classification Using Decision input yang ada(Charbuty & Abdulazeez, 2021).
Tree Techniqu. Penelitian ini menggunakan
algoritma Decision Tree untuk
mengklasifikasikan pasien diabetes
berdasarkan fitur klinis seperti usia, indeks
massa tubuh, dan hasil tes laboratorium terkait
gula darah. Hasil penelitian menunjukkan
bahwa model Decision Tree memiliki tingkat
akurasi yang tinggi dalam mengklasifikasikan
pasien diabetes.
Penelitian ini memiliki perbedaan dengan
penelitian sebelumnya dalam beberapa aspek.
Pertama, penelitian ini mempertimbangkan
atribut klinis yang lebih luas, termasuk usia,
indeks massa tubuh (BMI), tekanan darah, dan
hasil tes laboratorium terkait gula darah. Hal ini
bertujuan untuk menggali lebih dalam pola-pola
yang berkaitan dengan diabetes dan
memperoleh pemahaman yang lebih
komprehensif tentang faktor-faktor risiko yang
terkait dengan penyakit ini. Penelitian
sebelumnya cenderung menggunakan atribut
klinis yang lebih terbatas, sehingga penelitian Gambar 1. Metode Penelitian
ini dapat memberikan wawasan yang lebih
mendalam. 2.1. Pengumpulan Data
Penelitian ini bertujuan untuk penelitian ini mengumpulkan data klinis
mengembangkan sebuah metode klasifikasi dari dua kelompok pasien: pasien yang telah
penyakit diabetes menggunakan algoritma terdiagnosa dengan diabetes dan pasien yang
Decision Tree. Data klinis dari pasien yang tidak terdiagnosa dengan diabetes. Data ini
terdiagnosa diabetes dan pasien yang tidak mencakup beberapa atribut yang relevan dalam
terdiagnosa diabetes akan dianalisis untuk analisis penyakit diabetes, seperti usia, indeks
mengidentifikasi pola-pola yang berkaitan massa tubuh (BMI), tekanan darah, dan hasil tes
dengan penyakit ini. Atribut-atribut seperti usia, laboratorium terkait gula darah.
indeks massa tubuh (BMI), tekanan darah, dan Pengumpulan data dilakukan dengan
hasil tes laboratorium terkait gula darah akan memperhatikan prinsip-prinsip etika penelitian
digunakan sebagai variabel-variabel dalam dan perlindungan privasi pasien. Para peneliti
analisis ini. memastikan bahwa persetujuan pasien diperoleh
Dengan menggunakan algoritma sebelum pengumpulan data dan menjaga
Decision Tree, diharapkan bahwa metode kerahasiaan informasi pribadi mereka. Langkah-
klasifikasi yang dikembangkan dalam penelitian langkah ini penting untuk memastikan integritas
ini dapat memberikan hasil yang akurat dalam dan keamanan data yang dikumpulkan serta
mendiagnosis penyakit diabetes. Hal ini akan menjaga privasi dan hak-hak pasien yang terlibat
memungkinkan para dokter untuk dalam penelitian.
mengidentifikasi pasien diabetes secara dini

http://ejournal.bsi.ac.id/ejurnal/index.php/ji 144
 JURNAL INFORMATIKA, Vol. 10 No.2 Oktober 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

data, dan penghapusan outlier jika diperlukan.

Setelah itu, model Decision Tree akan dibentuk
dengan memilih atribut yang paling informatif
untuk membagi data menjadi subkelompok yang
lebih homogen. Keputusan pembagian dan
kriteria pengukuran ketidak homogenan data
akan digunakan dalam pembentukan struktur
Gambar 2. Sebaran Data pohon keputusan. Model yang dihasilkan akan
digunakan untuk mengklasifikasikan pasien
2.2. Pra-pemrosesan Data diabetes dan non-diabetes berdasarkan atribut-
Setelah data klinis dikumpulkan, atribut yang ada dalam data.
langkah selanjutnya dalam metode penelitian
adalah pra-pemrosesan data. Tahap ini penting
untuk membersihkan dan mempersiapkan data
sebelum dilakukan analisis lebih
lanjut(Karyadiputra & Setiawan, 2022).
Langkah pertama dalam pra-pemrosesan
adalah penanganan nilai-nilai yang hilang. Data Gambar 4. Confusion Matrix
yang hilang dapat mengganggu analisis dan
menghasilkan kesalahan interpretasi. Oleh Melalui metode pengumpulan data,
karena itu, nilai-nilai yang hilang perlu ditangani penelitian ini akan mengumpulkan data klinis dari
dengan menggunakan metode pengisian data pasien diabetes dan non-diabetes. Hal ini akan
yang sesuai, seperti pengisian dengan nilai memberikan dasar informasi yang diperlukan
rata-rata atau menggunakan algoritma khusus. untuk menganalisis dan mengembangkan model
klasifikasi. Setelah pengumpulan data, metode
pembentukan model Decision Tree akan
diterapkan. Dalam tahap ini, data akan melalui
tahap pra-pemrosesan untuk memastikan
kualitasnya sebelum digunakan.
Selanjutnya, model Decision Tree akan
dibentuk dengan memilih atribut yang paling
informatif dan membagi data menjadi
subkelompok yang lebih homogen. Model ini
akan digunakan untuk mengklasifikasikan pasien
sebagai diabetes atau non-diabetes. Dengan
metode ini, penelitian ini bertujuan untuk
mengembangkan metode klasifikasi yang efektif
dalam mendiagnosis penyakit diabetes
menggunakan algoritma Decision Tree.
Gambar 3. Data Visualization 2.4. Evaluasi dan Validasi Model
Setelah model Decision Tree dibentuk,
Selanjutnya, tahap pra-pemrosesan tahap selanjutnya dalam metode penelitian
juga melibatkan deteksi dan penanganan adalah evaluasi dan validasi model. Evaluasi
outlier. Outlier adalah nilai yang signifikan dilakukan untuk mengukur kinerja model dalam
berbeda dari pola umum data dan dapat mengklasifikasikan pasien sebagai diabetes atau
mempengaruhi analisis secara keseluruhan. non-diabetes. Data uji yang belum pernah dilihat
Outlier dapat muncul karena kesalahan sebelumnya digunakan untuk menguji model
pengukuran atau karena adanya variasi ekstrim yang telah terbentuk. Metrik evaluasi yang umum
dalam populasi data. Untuk mengatasi outlier, digunakan termasuk akurasi, presisi, recall, dan
metode statistik seperti metode interkuartil atau F1-score. Akurasi mengukur seberapa tepat
metode z-score dapat digunakan untuk model dalam mengklasifikasikan pasien secara
mendeteksi dan menghapus atau mengatasi keseluruhan.
outlier. Presisi mengukur seberapa banyak
pasien diabetes yang benar-benar
2.3. Pembentukan Model Decision Tree terklasifikasikan dengan benar. Recall mengukur
Metode ini melibatkan penerapan seberapa banyak pasien diabetes yang
algoritma Decision Tree pada data yang telah terklasifikasikan dengan benar dari total pasien
dikumpulkan. Langkah pertama adalah diabetes yang sebenarnya. F1-score adalah
melakukan pra-pemrosesan data, termasuk ukuran yang menggabungkan presisi dan recall
penanganan nilai-nilai yang hilang, normalisasi

http://ejournal.bsi.ac.id/ejurnal/index.php/ji 145
 JURNAL INFORMATIKA, Vol. 10 No.2 Oktober 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

untuk memberikan gambaran yang lebih Glucose Blood Skin BMI Outcome
komprehensif tentang kinerja model. Pressure Thic
Selain evaluasi, validasi juga dilakukan kness
untuk memastikan bahwa model yang telah 5 103 30 38 43.3 0
6 115 70 30 34.6 1
dibentuk dapat menggeneralisasi dengan baik
7 126 88 41 39.3 0
pada data yang tidak digunakan dalam 8 99 84 0 35.4 0
pembentukan model. Validasi dilakukan untuk 9 196 90 0 39.8 1
memeriksa apakah model hanya "menghafal" 1 119 80 35 29 1
data yang digunakan dalam pembentukan atau 0
mampu mengekstrapolasi dan menerapkan
pola yang ditemukan pada data baru. Dalam penelitian ini, terdapat transformasi kuantil
Validasi dilakukan dengan meng- yang dapat digunakan sebagai teknik yang
gunakan teknik seperti validasi silang (cross- bermanfaat untuk mengubah distribusi data
validation) atau validasi pada set data uji yang menjadi lebih merata. Dengan mengaplikasikan
terpisah. Dengan melakukan validasi, penelitian transformasi kuantil pada variabel yang tidak
ini dapat memastikan bahwa model klasifikasi memiliki distribusi yang merata atau teratur,
yang dikembangkan memiliki tingkat keandalan sehingga dapat mengubah nilai dalam rentang
yang tinggi dan dapat digunakan untuk antara 0 dan 1. Hal ini membantu menyederhana-
memprediksi penyakit diabetes pada data yang kan data dan membuatnya lebih mudah
belum pernah dilihat sebelumnya. dipahami. Transformasi kuantil digunakan untuk
memperbaiki distribusi atribut klinis yang
digunakan dalam pengembangan model
klasifikasi diabetes.

Gambar 6. Transformasi Kuantil

Hasil penelitian ini menunjukkan bahwa

metode klasifikasi penyakit diabetes
menggunakan algoritma Decision Tree
menghasilkan model yang efektif dalam
mengidentifikasi pasien diabetes. Dengan
Gambar 5. Histogram Model menggunakan data klinis yang terkumpul, model
Decision Tree dapat memprediksi dengan
3. Hasil dan Pembahasan akurasi yang tinggi apakah seseorang menderita
Pada penilitian ini dataset yang diabetes atau tidak. Metrik evaluasi yang
digunakan berisi data-data yang dikumpulkan digunakan, seperti akurasi, presisi, recall, dan
dari dari para pasien diabetes dan non-diabetes F1-score, menunjukkan kinerja yang memuaskan
di wilayah timur laut Andhra Pradesh, India. dari model yang dibentuk.
Dataset ini terdiri dari 9 atribut yang mencakup
berbagai informasi klinis seperti usia, indeks
massa tubuh (BMI), tekanan darah, dan lain
sebagainya. Total data yang terdapat dalam
dataset ini sebanyak 768, dengan masing-
masing data mewakili satu pasien.

Tabel 1. Dataset
Glucose Blood Skin BMI Outcome
Pressure Thic
kness
0 189 60 23 30.1 1
1 166 72 19 25.8 1
2 100 0 0 30 1
3 118 84 47 45.8 1
4 107 74 0 29.6 1
Gambar 7. Hasil Seleksi Fitur

http://ejournal.bsi.ac.id/ejurnal/index.php/ji 146
 JURNAL INFORMATIKA, Vol. 10 No.2 Oktober 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

Pada gambar 5 hasil seleksi fitur dengan nilai prediksi, terdapat 15 data yang
membantu untuk mengetahui hubungan antara sesuai. Dari 15 data tersebut, 6 data
dua besaran. Hal ini menunjukkan ukuran diklasifikasikan sebagai diabetes dan 9 data
kekuatan hubungan antara dua variabel. Nilai diklasifikasikan sebagai non-diabetes. Hal ini
Koefisien Korelasi Pearson dapat berkisar menunjukkan bahwa pohon keputusan berhasil
antara -1 hingga +1. 1 berarti sangat berkorelasi memprediksi dengan akurasi yang relatif baik.
dan 0 berarti tidak ada korelasi.
Tabel 2. Hasil Klasifikasi
Hasil Klasifikasi
Diabetes 6
Non Diabetes 9

Gambar 8a. Decision Tree Root

Gambar 9. Hasil Uji Coba

Dalam gambar 8, ditemukan bahwa

model klasifikasi Decision Tree memiliki akurasi
sebesar 0.79. Hal ini menunjukkan tingkat
keberhasilan model dalam mengklasifikasikan
pasien diabetes dan non-diabetes berdasarkan
data klinis yang dikumpulkan. Presisi model
Gambar 8b. Decision Tree Sub Root Kesatu
untuk kelas diabetes (kelas positif) adalah
sebesar 0.78, yang menunjukkan seberapa baik
model dalam mengklasifikasikan pasien diabetes
dengan benar dari seluruh pasien yang
diklasifikasikan sebagai diabetes. Recall, atau
tingkat kemampuan model dalam
mengidentifikasi seluruh pasien diabetes yang
sebenarnya, ditemukan sebesar 0.45. F1-score
yang menggabungkan presisi dan recall
menghasilkan skor sebesar 0.57. Hasil ini
menunjukkan bahwa model klasifikasi ini memiliki
performa yang cukup baik dalam mengklasifikasi-
kan pasien diabetes berdasarkan data klinis yang
ada.
Namun, hasil evaluasi juga
mengungkapkan beberapa batasan dari model
yang dikembangkan. Recall yang lebih rendah
menunjukkan bahwa ada pasien diabetes yang
Gambar 8c. Decision Tree Sub Root Kedua tidak terklasifikasi dengan benar sebagai
diabetes oleh model ini. Hal ini dapat disebabkan
Berdasarkan visualisasi pohon keputusan yang oleh kompleksitas penyakit diabetes itu sendiri
diperoleh, kita dapat menggunakan aturan yang dan berbagai faktor yang memengaruhi tingkat
terdapat dalam pohon untuk memprediksi nilai gula darah. Selain itu, model ini juga
target (diabetes atau non-diabetes) berdasar- menghasilkan presisi yang baik, tetapi masih ada
kan dataset yang diberikan. Dalam kasus ini, ruang untuk perbaikan dalam mengurangi jumlah
berdasarkan pencocokan nilai target aktual pasien non-diabetes yang salah diklasifikasikan

http://ejournal.bsi.ac.id/ejurnal/index.php/ji 147
 JURNAL INFORMATIKA, Vol. 10 No.2 Oktober 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

sebagai diabetes. Perlu dilakukan penelitian Diabetes Melitus dengan Menggunakan

lebih lanjut untuk mengatasi batasan ini dan Metode Klasifikasi. Router Research, 1(1),
meningkatkan performa model dalam 1–6.
mengklasifikasikan pasien diabetes. Camerlingo, N., Vettoretti, M., Del Favero, S.,
Hasil uji coba ini memberikan kontribusi Facchinetti, A., Choudhary, P., &
penting dalam meningkatkan pemahaman dan Sparacino, G. (2022). Generation of post-
pengelolaan penyakit diabetes. Dengan meal insulin correction boluses in type 1
menggunakan model klasifikasi Decision Tree diabetes simulation models for in-silico
yang telah dikembangkan, dokter dapat clinical trials: More realistic scenarios
membantu dalam mendiagnosis penyakit obtained using a decision tree approach.
diabetes secara dini berdasarkan atribut klinis Computer Methods and Programs in
seperti usia, indeks massa tubuh (BMI), Biomedicine, 221, 106862.
tekanan darah, dan hasil tes laboratorium https://doi.org/10.1016/j.cmpb.2022.10686
terkait gula darah. Model ini dapat menjadi alat 2
yang berguna dalam memberikan panduan Charbuty, B., & Abdulazeez, A. (2021).
pengobatan dan pengelolaan yang tepat bagi Classification Based on Decision Tree
pasien diabetes. Algorithm for Machine Learning. Journal of
Namun, perlu diingat bahwa model Applied Science and Technology Trends,
klasifikasi ini masih memiliki batasan dan 2(01), 20–28.
kemungkinan untuk diperbaiki. Data yang https://doi.org/10.38094/jastt20165
digunakan dalam penelitian ini terbatas pada Elfaladonna, F., & Rahmadani, A. (2019).
atribut klinis tertentu, sehingga ada potensi Analisa Metode Classification-Decission
untuk mempertimbangkan atribut lain yang Tree Dan Algoritma C.45 Untuk
relevan dalam pengembangan model yang Memprediksi Penyakit Diabetes Dengan
lebih baik. Selain itu, validasi lebih lanjut juga Menggunakan Aplikasi Rapid Miner.
perlu dilakukan pada populasi yang lebih luas SINTECH (Science and Information
untuk memastikan generalisasi yang lebih baik Technology) Journal, 2(1), 10–17.
dari model ini. https://doi.org/10.31598/sintechjournal.v2i1
.293
4. Kesimpulan Ente, D. R., Thamrin, S. A., Arifin, S., Kuswanto,
Penelitian ini mengembangkan metode H., & Andreza, A. (2020). Klasifikasi
klasifikasi diabetes menggunakan Decision Faktor-Faktor Penyebab Penyakit Diabetes
Tree. Model yang dihasilkan memiliki tingkat Melitus Di Rumah Sakit Unhas
akurasi yang tinggi dalam mengidentifikasi Menggunakan Algoritma C4.5. Indonesian
pasien diabetes berdasarkan data klinis. Metrik Journal of Statistics and Its Applications,
evaluasi seperti akurasi, presisi, recall, dan F1- 4(1), 80–88.
score menunjukkan kinerja yang memuaskan https://doi.org/10.29244/ijsa.v4i1.330
dari model ini. Metode klasifikasi ini berguna Erlin, Yulvia Nora Marlim, Junadhi, Laili Suryati,
dalam mendiagnosis diabetes secara dini & Nova Agustina. (2022). Deteksi Dini
dengan memanfaatkan atribut klinis seperti Penyakit Diabetes Menggunakan Machine
usia, BMI, tekanan darah, dan hasil tes gula Learning dengan Algoritma Logistic
darah. Model Decision Tree dapat membantu Regression. Jurnal Nasional Teknik Elektro
dokter dalam pengelolaan dan pengobatan Dan Teknologi Informasi, 11(2), 88–96.
yang tepat bagi pasien diabetes. https://doi.org/10.22146/jnteti.v11i2.3586
Meskipun penelitian ini memiliki batasan, Fadhillah, R. P., Rahma, R., Sepharni, A.,
seperti penggunaan data terbatas pada atribut Mufidah, R., Sari, B. N., & Pangestu, A.
klinis tertentu, penelitian ini memberikan (2022). Klasifikasi Penyakit Diabetes
kontribusi penting dalam meningkatkan Mellitus Berdasarkan Faktor-Faktor
pemahaman dan pengelolaan diabetes. Metode Penyebab Diabetes menggunakan
klasifikasi yang dikembangkan dapat digunakan Algoritma C4.5. JIPI (Jurnal Ilmiah
sebagai alat bantu bagi dokter dalam Penelitian Dan Pembelajaran Informatika),
mendiagnosis diabetes secara dini dan 7(4), 1265–1270.
memberikan dasar untuk penelitian lebih lanjut https://doi.org/10.29100/jipi.v7i4.3248
dalam pengembangan metode klasifikasi yang Hana, F. M. (2020). Klasifikasi Penderita
lebih kompleks dengan melibatkan atribut klinis Penyakit Diabetes Menggunakan Algoritma
yang lebih luas. Decision Tree C4.5. Jurnal SISKOM-KB
(Sistem Komputer Dan Kecerdasan
Referensi Buatan), 4(1), 32–39.
Aris, F., & Benyamin. (2019). Penerapan Data https://doi.org/10.47970/siskom-
Mining untuk Identifikasi Penyakit kb.v4i1.173

http://ejournal.bsi.ac.id/ejurnal/index.php/ji 148
 JURNAL INFORMATIKA, Vol. 10 No.2 Oktober 2023
ISSN: 2355-6579 | E-ISSN: 2528-2247

Hardianto, D. (2021). Telaah Komprehensif Posonia, A. M., Vigneshwari, S., & Rani, D. J.
Diabetes Melitus: Klasifikasi, Gejala, (2020). Machine learning based diabetes
Diagnosis, Pencegahan, Dan prediction using decision tree J48.
Pengobatan. Jurnal Bioteknologi & Proceedings of the 3rd International
Biosains Indonesia (JBBI), 7(2), 304– Conference on Intelligent Sustainable
317. Systems, ICISS 2020, 498–502.
https://doi.org/10.29122/jbbi.v7i2.4209 https://doi.org/10.1109/ICISS49785.2020.9
Karyadiputra, E., & Setiawan, A. (2022). 316001
Penerapan Data Mining Untuk Prediksi Putri, S., Irawan, E., & Rizky, F. (2021).
Awal Kemungkinan Terindikasi Diabetes. Implementasi Data Mining Untuk Prediksi
Teknosains: Media Informasi Sains Dan Penyakit Diabetes Dengan Algoritma C4.5.
Teknologi, 16(2), 221–232. Januari, 2(1), 39–46.
https://doi.org/10.24252/teknosains.v16i2 Sunanto, N., & Falah, G. (2022). Penerapan
.28257 Algoritma C4.5 Untuk Membuat Model
Lestari, Zulkarnain, & Sijid, S. A. (2021). Prediksi Pasien Yang Mengidap Penyakit
Diabetes Melitus: Review Etiologi, Diabetes. Rabit : Jurnal Teknologi Dan
Patofisiologi, Gejala, Penyebab, Cara Sistem Informasi Univrab, 7(2), 208–216.
Pemeriksaan, Cara Pengobatan dan https://doi.org/10.36341/rabit.v7i2.2435
Cara Pencegahan. UIN Alauddin V.A.R.Barao, R.C.Coata, J.A.Shibli, M.Bertolini,
Makassar, November, 237–241. & J.G.S.Souza. (2022). Klasifikasi Penyakit
http://journal.uin- Diabetes Menggunakan Metode Decision
alauddin.ac.id/index.php/psb Tree Dan Random Forest. Braz Dent J.,
33(1), 1–12.

http://ejournal.bsi.ac.id/ejurnal/index.php/ji 149