Diabetes mellitus merupakan penyakit kronis yang prevalensinya terus meningkat di abad ke-21. Deteksi dini penyakit ini sangat penting, namun sering terkendala oleh masalah missing value dalam dataset medis. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja berbagai teknik imputasi dalam menangani missing value pada dataset diabetes mellitus. Studi ini menggunakan dataset 'Pima Indians Diabetes Database' dari Kaggle, dengan fokus pada perbandingan teknik imputasi MICE dan MissForest, dengan KNN Imputer sebagai benchmark. Metode penelitian meliputi tahapan pengolahan data, pengembangan model menggunakan Random Forest, di mana optimasi hiperparameter dilakukan secara khusus pada data hasil imputasi KNN menggunakan Random Search lalu parameter terbaik tersebut kemudian diterapkan pada model yang dilatih dengan data hasil imputasi MICE dan MissForest. Evaluasi performa model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MICE dan MissForest secara signifikan mengungguli KNN Imputer. MissForest teridentifikasi sebagai teknik imputasi terbaik, yang memberikan peningkatan F1-Score (Kelas 1) sebesar +0.005829 dibandingkan KNN. Lebih penting lagi, MissForest menghasilkan nilai F1-Score tertinggi (0.807273), Recall tertinggi (0.828358), dan Precision tertinggi (0.787234) untuk kelas 'Diabetes', menunjukkan keseimbangan terbaik antara precision dan recall yang krusial untuk aplikasi medis. Temuan ini memberikan rekomendasi teknik imputasi berbasis bukti untuk meningkatkan akurasi prediksi diabetes mellitus, sehingga berkontribusi pada pengembangan sistem analisis data medis yang lebih andal.
Kata Kunci: Diabetes Mellitus, Imputasi, MICE, MissForest, Random Forest