Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Computer Science and Information Technology
Ilfauza Febrianty Faisal
University of Muhammadiyah Makassar
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Environmental Science Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PENERAPAN EXTREME GRADIENT BOOSTING (XGBOOST) PADA DIAGNOSA PENYAKIT MATA Ilfauza Febrianty Faisal; Chyquithadanu putri; Ida Mulyadi
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengklasifikasikan penyakit mata berbasis data gejala pasien, khususnya pada tiga kelas penyakit, yaitu katarak, glaukoma, dan retinopati diabetik. Metode yang digunakan adalah kuantitatif dengan pendekatan machine learning. Data penelitian berasal dari RSUD Batara Guru dan terdiri atas 1.041 data pasien setelah melalui tahap preprocessing. Sebanyak 15 fitur gejala diekstrak dan digunakan sebagai variabel input, meliputi kabur, mata merah, sensitif cahaya, sakit kepala, gatal, nyeri, mata berair, kelopak mata bengkak, sulit buka mata, warna pudar, sulit melihat malam, floaters, pupil abnormal, mata berat, dan mual. Tahapan penelitian mencakup pemeriksaan data, transformasi nilai gejala, encoding label diagnosa, pemilihan fitur, pembagian data training dan testing, pelatihan model XGBoost, serta evaluasi menggunakan confusion matrix. Model menghasilkan performa seimbang di atas 93,7% pada seluruh metrik evaluasi, yaitu accuracy 93,78%, precision 93,80%, recall 93,78%, dan F1-score 93,75%. Hasil confusion matrix menunjukkan bahwa sebagian besar data berhasil diklasifikasikan dengan benar, meskipun masih terdapat kesalahan pada kelas glaukoma karena kemiripan gejala dengan katarak. Dengan demikian, XGBoost berpotensi digunakan sebagai sistem pendukung keputusan klinis untuk identifikasi awal penyakit mata berbasis gejala pasien, namun hasil prediksi tetap memerlukan konfirmasi medis oleh tenaga kesehatan.
Co-Authors Chyquithadanu putri Ida Mulyadi