Diabetes mempengaruhi sekitar 1,9% populasi global, dengan diabetes tipe 2 menjadi bentuk yang paling umum. Para praktisi medis sangat bergantung pada teknologi diagnostik untuk memprediksi diabetes, namun interpretasi data yang dihasilkan sering kali menghadapi tantangan signifikan. ML memainkan peran penting dalam memprediksi dan mengelola diabetes dengan mengkategorikan dan meramalkan hasil. Salah satu langkah prapemrosesan yang penting dalam ML adalah pemilihan fitur, yang secara signifikan meningkatkan kinerja dengan mengidentifikasi subset data yang relevan dan menghapus fitur yang tidak relevan.
Penelitian ini bertujuan untuk meningkatkan akurasi dan efisiensi komputasi dalam prediksi diabetes dengan menggunakan kombinasi algoritma metaheuristik dan ML. Penelitian ini melakukan eksperimen dengan menggunakan tiga dataset: PIMA, Early Stage, dan Vanderbilt. Metode yang digunakan adalah mengombinasikan sepuluh algoritme metaheuristik untuk seleksi fitur dan model ML untuk klasifikasi. Performa algoritme dievaluasi menggunakan berbagai metrik, termasuk rata-rata akurasi , rata-rata presisi, best fitness, uji Wilcoxon, dan kurva konvergensi.
Hasil penelitian menunjukkan bahwa pada dataset PIMA, kombinasi Firefly Algorithm-Logistic Regression (FA-LR), Bat Algorithm-Logistic Regression (BA-LR), dan Cuckoo Search-Logistic Regression (CS-LR) mencapai akurasi 74.718%. Dalam kasus dataset Early-Stage, kombinasi Firefly Algorithm-Support Vector Machine (FA-SVM) dan Cuckoo Search-Naive Bayes (CS-NB) mencapai akurasi 83.39% dan presisi 96.15%. Dataset Vanderbilt mencapai rata-rata akurasi dan presisi tertinggi, dengan kombinasi Firefly Algorithm-Naive Bayes (FA-NB) mencapai 92.88%.