Analisis Komparatif Artificial Neural Network Optimasi Particle Swarm Optimization dan Random Forest dengan Recursive Feature Elimination untuk Klasifikasi Diabetes

Abstract

Diabetes Mellitus merupakan penyakit kronis dengan prevalensi global yang terus meningkat, sehingga memerlukan sistem diagnosis yang akurat dan efisien. Penelitian ini bertujuan melakukan analisis komparatif antara Artificial Neural Network (ANN) yang dioptimasi menggunakan Particle Swarm Optimization (PSO) dengan Random Forest (RF) berbasis Recursive Feature Elimination (RFE) untuk klasifikasi diabetes menggunakan Pima Indians Diabetes Dataset. Tahapan penelitian meliputi pemrosesan data, penanganan nilai tidak valid, normalisasi, serta eksperimen pada empat model: ANN baseline, ANN-PSO, RF baseline, dan RF-RFE. Hasil penelitian menunjukkan bahwa ANN baseline memberikan performa terbaik dengan akurasi 81%, recall 89%, dan F1-score 82,41%. Optimasi PSO pada ANN belum mampu meningkatkan kinerja pada data pengujian, sementara penerapan RFE pada RF tidak memberikan perubahan performa yang signifikan dibandingkan model RF baseline. Temuan ini mengindikasikan bahwa efektivitas teknik optimasi dan seleksi fitur sangat bergantung pada karakteristik data. Penelitian ini berkontribusi dalam pengembangan model klasifikasi medis yang akurat dan dapat menjadi acuan dalam pengambilan keputusan klinis