Demam Berdarah Dengue (DBD) merupakan penyakit menular yang masih menjadi tantangan kesehatan di Indonesia. Proses diagnosis DBD umumnya masih dilakukan secara manual oleh tenaga medis berdasarkan hasil pemeriksaan hematologi, yang rentan terhadap kesalahan interpretasi dan membutuhkan waktu lama. Deteksi dini sangat penting untuk mencegah komplikasi serius seperti perdarahan internal dan kebocoran plasma.
Penelitian dilakukan dengan memodifikasi dataset hematologi menjadi tiga kelas dan menerapkan teknik oversampling ADASYN(Adaptive Synthetic Sampling Approach) untuk mengatasi ketidakseimbangan data. Penelitian ini bertujuan mengembangkan model klasifikasi DBD berbasis machine learning untuk membedakan Non-DBD, Dengue Fever (DF), dan Dengue Hemorrhagic Fever (DHF) menggunakan data hematologi (trombosit, leukosit, hemoglobin, hematokrit). Tiga algoritma dibandingkan, yaitu Random Forest, Gradient Boosting, dan Support Vector Machine (SVM).
Hasil penelitian menunjukkan Random Forest pada skenario 1 memiliki kinerja terbaik dengan akurasi 0,73 dan F1-score 0,82 untuk DF, 0,77 untuk DHF, serta 0,46 untuk Non-DBD. Algoritma ini direkomendasikan untuk diagnosis dini DBD berbasis data hematologi.