Diabetes merupakan salah satu penyakit kronis yang ditandai dengan tingginya kadar glukosa dalam darah akibat gangguan produksi atau respons terhadap insulin. Deteksi dini terhadap diabetes sangat penting untuk mencegah komplikasi jangka panjang. Penelitian ini bertujuan untuk mengklasifikasikan status diabetes pada pasien berdasarkan data kesehatan yang diperoleh dari Puskesmas Kembangan. Data dikumpulkan pada tahun 2025 dan bersumber dari rekam medis pasien tahun 2024, mencakup sejumlah variabel seperti usia, jenis kelamin, tekanan darah sistolik dan diastolik, indeks massa tubuh (BMI), kadar glukosa darah, serta riwayat merokok. Metode yang digunakan dalam penelitian ini adalah algoritma Naive Bayes dan teknik ensembel Bootstrap Aggregating (Bagging). Naive Bayes dipilih karena keefektifannya dalam pengolahan data dengan fitur campuran, sedangkan Bagging digunakan untuk meningkatkan stabilitas dan akurasi model melalui proses voting dari beberapa model pelatihan. Hasil evaluasi menunjukkan bahwa algoritma Naive Bayes menghasilkan akurasi sebesar 84%, sedangkan kombinasi dengan Bagging meningkatkan akurasi menjadi 86%. Temuan ini menunjukkan bahwa integrasi metode probabilistik dan ensemble mampu memberikan hasil klasifikasi yang lebih optimal dalam konteks deteksi dini diabetes. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem pendukung keputusan medis di fasilitas pelayanan kesehatan tingkat pertama.

Diabetes is a chronic disease characterized by high blood glucose levels due to impaired insulin production or response. Early detection of diabetes is crucial to prevent long-term complications. This study aims to classify diabetes status in patients based on health data obtained from the Kembangan Community Health Center. Data were collected in 2025 and sourced from patient medical records in 2024, covering several variables such as age, gender, systolic and diastolic blood pressure, body mass index (BMI), blood glucose levels, and smoking history. The methods used in this study were the Naive Bayes algorithm and the Bootstrap Aggregating (Bagging) ensemble technique. Naive Bayes was chosen due to its effectiveness in processing data with mixed features, while Bagging was used to improve model stability and accuracy through a voting process from several training models. The evaluation results showed that the Naive Bayes algorithm produced an accuracy of 84%, while the combination with Bagging increased the accuracy to 86%. These findings indicate that the integration of probabilistic and ensemble methods can provide more optimal classification results in the context of early diabetes detection. This research is expected to contribute to the development of medical decision support systems in primary health care facilities.