Diabetes merupakan penyakit yang menyebabkan kematian ketiga tertinggi di Indonesia, dengan angka penderita Diabetes tingkat 1 di Indonesia mencapai 41.817 pada tahun 2022, menjadikan Indonesia menjadi negara tertinggi dengan jumlah penderita terbanyak di negara – negara ASEAN. Mayoritas penderita diabetes tipe 1 di Indonesia berusia antara 20-59 tahun, sebanyak 26.781 orang, sementara 13.311 orang berusia di bawah 20 tahun dan 1.721 orang berusia 60 tahun ke atas. Penelitian ini bertujuan untuk melakukan Identifikasi Penyakit Diabetes menggunakan Algoritma Catboost. Algoritma Catboost berupaya memprediksi variabel target secara akurat dengan menggabungkan beberapa model yang lebih sederhana dan kurang akurat. Penelitian ini dilakukan tiga percobaan dengan proses cleaning data menggunakan split data 0,5 menghasilkan AUC Score 83%, split data 0,3 menghasilkan AUC Score 82,7% dan split data 0,1 menghasilkan 82,5%. Sedangkan dilakukan tiga percobaan dengan tidak melalui proses cleaning data menggunakan split data 0,5 menghasilkan AUC Score 83%, split data 0,3 menghasilkan AUC Score 82,8% dan split data 0,1 menghasilkan 82,5%. Diharapkan penelitian ini dapat diimplementasikan dalam bidang kesehatan.

Diabetes is the third leading cause of death in Indonesia, with the number of people with type 1 diabetes in Indonesia reaching 41,817 by 2022, making Indonesia the country with the highest number of patients in ASEAN countries. The majority of people with type 1 diabetes in Indonesia are between 20-59 years old, as many as 26,781 people, while 13,311 people are under 20 years old and 1,721 people are 60 years and over. This research aims to identify diabetes disease using the Catboost Algorithm. The Catboost algorithm attempts to accurately predict the target variable by combining several simpler and less accurate models. This study conducted three experiments with the data cleaning process using split data 0.5 resulted in AUC Score 83%, split data 0.3 resulted in AUC Score 82.7% and split data 0.1 resulted in 82.5%. While three experiments were carried out with no data cleaning process using split data 0.5 resulted in AUC Score 83%, split data 0.3 resulted in AUC Score 82.8% and split data 0.1 resulted in 82.5%. It is hoped that this research can be implemented in the health sector.