View/Open

Author
CICI, TRI FADILA.AS

Date Published
22 Jun 2026

Advisor
Andika Setiawan, S.Kom., M.Cs.,

Subject
Teknik Informatika

Publisher

Penyakit diabetes merupakan salah satu tantangan kesehatan global dengan tingginya angka kasus yang tidak terdiagnosis. Penelitian ini bertujuan membangun model klasifikasi dini penyakit diabetes menggunakan algoritma XGBoost dan TabNet, serta membandingkan performa keduanya sebagai model yang baik untuk data tabular, dan menerapkan teknik Explainable AI (SHAP) pada model terbaik. Dataset sekunder yang digunakan berasal dari Centers for Disease Control and Prevention (CDC) Behavioral Risk Factor Surveillance System (BRFSS) tahun 2015 yang terdiri dari 253.680 sampel pengamatan. Tahapan penelitian meliputi Exploratory Data Analysis, prapemrosesan yang terdiri dari penghapusan duplikasi data, pembagian rasio data 70:15:15, standardisasi Z-Score, dan Random Oversampling digunakan pada data latih untuk menangani ketidakseimbangan kelas. Kedua model kemudian dilatih dan dioptimalkan melalui hyperparameter tuning menggunakan Bayesian Optimization, yang dilanjutkan dengan tahapan evaluasi dan interpretasi hasil. Pada perbandingan dengan TabNet, XGBoost unggul dengan ROC-AUC 0,8172, recall 0,7886, akurasi 0,7081, presisi 0,3173, F1-Score 0,4525, dan waktu komputasi 1,34 detik. Analisis SHAP pada XGBoost menunjukkan bahwa status kesehatan umum, tekanan darah tinggi, usia, Indeks Massa Tubuh (BMI), dan kolesterol tinggi merupakan lima fitur yang paling berkontribusi terhadap klasifikasi. Disimpulkan bahwa XGBoost adalah algoritma paling optimal dan efisien untuk klasifikasi dini diabetes, serta integrasi SHAP memberikan interpretasi transparan terhadap keputusan model sebagai informasi pendukung skrining.

URI
https://repo.itera.ac.id/depan/submission/SB2606190057

Keyword
XGBoost TabNet Klasifikasi Dini Diabetes Random Oversampling Explainable AI