SISTEM DETEKSI DIABETES DENGAN MENGGUNAKAN ALGORITMA EXTREME GRADIENT BOOSTING

Diabetes merupakan salah satu penyakit kronis yang dapat menyebabkan berbagai
komplikasi serius apabila tidak terdeteksi dan ditangani dengan baik. Deteksi dini
diabetes sangat penting untuk mengurangi risiko komplikasi jangka panjang. Dalam era
digital, penerapan machine learning dalam dunia medis semakin berkembang, terutama
dalam membangun model prediksi penyakit. Penelitian ini bertujuan untuk
mengembangkan model deteksi diabetes menggunakan algoritma Extreme Gradient
Boosting (XGBoost) yang dikenal dengan kemampuannya dalam menangani dataset
berukuran besar dan memberikan akurasi tinggi. Dataset yang digunakan dalam
penelitian ini adalah Pima Indians Diabetes Database, yang diperoleh dari repositori
terbuka. Proses penelitian mencakup beberapa tahapan utama, yaitu pengumpulan data,
pra-pemprosesan data, pembangunan model, evaluasi model, dan analisis hasil. Pra�pemrosesan data dilakukan dengan teknik data cleaning, data transformation, dan feature
engineering untuk memastikan kualitas data yang optimal sebelum digunakan dalam
model. Model XGBoost dikembangkan dengan pendekatan hyperparameter tuning guna
meningkatkan kinerjanya. Evaluasi model dilakukan menggunakan metrik akurasi,
presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma XGBoost
mampu memberikan akurasi tinggi dalam mendeteksi diabetes dibandingkan beberapa
metode lainnya, seperti Random Forest dan Logistic Regression. Hasil evaluasi model
menunjukkan bahwa akurasi model mencapai 90.79%. Dengan hasil yang diperoleh,
penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem berbasis
machine learning yang dapat membantu dalam deteksi dini diabetes. Selain itu,
pendekatan ini dapat menjadi referensi bagi penelitian selanjutnya dalam penerapan
algoritma XGBoost untuk masalah klasifikasi medis lainnya.
Kata kunci: Deteksi Diabetes, Machine Learning, Extreme Gradient Boosting, XGBoost,
Prediksi Penyakit