Diabetes masih menjadi salah satu penyakit kronis dengan jumlah penderita yang terus meningkat di dunia, termasuk di Indonesia. Ironisnya, banyak kasus diabetes tidak terdeteksi sejak dini karena gejalanya sering kali tidak spesifik dan menyerupai penyakit lain. Dalam kondisi seperti ini, kecerdasan buatan (Artificial Intelligence/AI) menawarkan peluang baru untuk membantu proses deteksi secara lebih cepat, akurat, dan mudah diakses.
Perkembangan teknologi AI telah membawa perubahan besar dalam dunia kesehatan. Salah satu penerapannya adalah penggunaan machine learning untuk membantu mengidentifikasi risiko penyakit berdasarkan data medis pasien. Namun, tantangan terbesar dalam pengembangan sistem prediksi kesehatan bukan hanya pada pemilihan algoritma yang tepat, tetapi juga pada kualitas data yang digunakan.
Pada kasus diabetes, data pasien sering kali tidak seimbang (imbalanced data). Jumlah pasien yang tidak menderita diabetes biasanya jauh lebih banyak dibandingkan pasien yang positif diabetes. Kondisi ini menyebabkan model machine learning cenderung “belajar” lebih baik pada kelompok mayoritas dan mengabaikan kelompok minoritas yang justru menjadi fokus utama diagnosis.
Melalui penelitian berjudul A Web-Based SMOTE–Random Forest Model for Diabetes Classification on Imbalanced Data, tim peneliti dari Universitas Airlangga mengembangkan pendekatan yang menggabungkan metode SMOTE (Synthetic Minority Oversampling Technique) dengan algoritma Random Forest. SMOTE bekerja dengan menghasilkan data sintetis pada kelompok minoritas sehingga distribusi data menjadi lebih seimbang. Dengan demikian, model dapat mempelajari karakteristik pasien diabetes secara lebih baik.
Setelah proses penyeimbangan data dilakukan, algoritma Random Forest digunakan untuk melakukan klasifikasi. Algoritma ini dikenal sebagai salah satu metode machine learning yang kuat karena menggabungkan banyak pohon keputusan (decision tree) untuk menghasilkan prediksi yang lebih stabil dan akurat. Pendekatan ini juga relatif mudah diinterpretasikan dibandingkan beberapa model AI lainnya.
Hasil penelitian menunjukkan performa yang sangat tinggi. Model yang dikembangkan mampu mencapai akurasi sebesar 99,30%, precision 100%, recall 99,20%, dan F1-score 99,60%. Angka tersebut menunjukkan bahwa sistem tidak hanya mampu memberikan prediksi yang akurat, tetapi juga mampu mengenali pasien diabetes dengan tingkat sensitivitas yang sangat baik. Temuan ini memperlihatkan bagaimana kombinasi teknik penanganan data dan algoritma yang tepat dapat meningkatkan kualitas sistem pendukung keputusan di bidang kesehatan.
Keunggulan lain dari penelitian ini adalah implementasinya dalam bentuk aplikasi berbasis web. Pengguna cukup memasukkan parameter kesehatan yang diperlukan, kemudian sistem akan memberikan hasil prediksi secara real time. Pendekatan ini menjembatani kesenjangan antara hasil penelitian akademik dan kebutuhan praktis di lapangan. Teknologi yang sebelumnya hanya tersedia di lingkungan laboratorium kini dapat dikembangkan menjadi alat bantu yang lebih mudah digunakan oleh tenaga kesehatan maupun masyarakat.
Lebih jauh lagi, penelitian ini menunjukkan bahwa keberhasilan transformasi digital di sektor kesehatan tidak hanya bergantung pada kecanggihan algoritma AI. Pengelolaan data yang baik, proses preprocessing yang tepat, serta strategi penanganan data tidak seimbang memiliki peran yang sama pentingnya dalam menghasilkan sistem yang andal.
Pemanfaatan AI untuk deteksi diabetes membuka peluang besar dalam meningkatkan kualitas layanan kesehatan di era digital. Penelitian ini membuktikan bahwa kombinasi teknik SMOTE dan Random Forest mampu menghasilkan sistem klasifikasi yang akurat sekaligus mudah diimplementasikan melalui platform web. Ke depan, pendekatan serupa dapat diterapkan pada berbagai penyakit kronis lainnya sehingga proses skrining dan diagnosis dini menjadi lebih efektif. Dengan dukungan data yang berkualitas dan teknologi AI yang tepat, layanan kesehatan yang lebih cepat, akurat, dan inklusif bukan lagi sekadar harapan, melainkan sebuah keniscayaan.
Penulis: Yutika Amelia Effendi
Detail artikel:
Judul : A Web-Based SMOTE–Random Forest Model for Diabetes Classification on Imbalanced Data. https://doi.org/10.1109/I-PACT65952.2025.11307873
