Machine Learning adalah cabang dari kecerdasan buatan yang berfokus pada pengembangan algoritma, model yang memungkinkan komputer untuk belajar dari data dan membuat keputusan prediksi tanpa diprogram secara eksplisit untuk melakukan tugas tersebut. Dalam machine learning, sistem dioptimalkan untuk mengenali pola dan membuat prediksi pemyakit tuberkulosis berdasarkan data yang diberikan, salah satunya di bidang industri kesehatan. Algoritma Random Forest adalah metode pembelajaran mesin yang digunakan untuk klasifikasi dan regresi, dan dikenal kemampuannya untuk menghasilkan prediksi yang akurat dan mengatasi overfitting. Algoritma ini termasuk dalam kategori Ensamble learning, yang menggabungkan beberapa model untuk meningkatkan kinerja dan ketahanan. Penggunaan random forest untuk membantu riset dan prediksi penyakit Tuberkulosis sedang sangat meningkat. Pada penelitian ini dilakukan prediksi penyakit tuberculosis menggunakan Random Forest. Kemudian data yang telah melalui proses akan menampilkan keakurasian data menggunakan perhitungan. Penelitian ini berhasil menunjukkan bahwa algoritma Random Forest dapat digunakan untuk mendiagnosis tuberkulosis dengan tingkat akurasi yang tinggi. Berdasarkan analisis data klinis, model prediksi yang dikembangkan mencapai akurasi 89%, yang berarti bahwa model ini mampu melakukan prediksi yang benar dan akurat.

Machine Learning is a branch of artificial intelligence that focuses on developing algorithms, models that allow computers to study data and make predictive decisions without being explicitly programmed to perform such tasks. In machine learning, the system is optimized to recognize patterns and make predictions about tuberculosis based on the data provided, one of which is in the health industry.The Random Forest algorithm is a machine learning method used for classification and regression, and is known for its ability to produce accurate predictions and overcome overfitting. This algorithm falls into the Ensamble learning category, which combines several models to improve performance and robustness. The use of random forests to help research and predict Tuberculosis is increasing greatly. There is a way to analyze data on the results of early symptoms of Tuberculosis to determine the class label of these results with the aim of helping health facilities make medical decisions about prospective patients. This research succeeded in showing that the Random Forest algorithm can be used to diagnose tuberculosis with a high level of accuracy. Based on clinical data analysis, the developed prediction model achieved an accuracy of 89%, which means that this model is able to make correct and accurate predictions