Comparison of Random Forest and XGBoost for Diabetes Classification with SHAP and LIME Interpretation

Mubaraqah, Mubaraqah
Puteri, Annisa Nurul
Sumardin, A.

JTERA (Jurnal Teknologi Rekayasa)
Vol 9, No 2: December 2024

Diabetes Mellitus (DM) merupakan tantangan kesehatan global yang membutuhkan pendekatan inovatif untuk deteksi dini dan manajemen yang efektif. Studi ini bertujuan untuk membandingkan algoritma Random Forest  dan XGBoost  dalam klasifikasi diabetes sambil meningkatkan interpretabilitas model menggunakan teknik AI yang Dapat Dijelaskan (XAI)  seperti SHAP dan LIME. Metodologi ini melibatkan pemrosesan kumpulan data publik yang berisi 70.000 entri dengan 34 fitur medis, melatih model dengan parameter yang dioptimalkan, dan melakukan analisis interpretatif. Hasil menunjukkan bahwa XGBoost mencapai akurasi yang lebih tinggi (90,6%) dengan generalisasi yang lebih baik, sementara Random Forest unggul dalam efisiensi pelatihan. Analisis fitur mengidentifikasi faktor-faktor utama seperti Usia, Kadar Glukosa Darah, dan Penambahan Berat Badan Selama Kehamilan sebagai kontributor signifikan terhadap prediksi. Temuan ini memberikan panduan model yang akurat dan transparan untuk mendukung pengambilan keputusan medis.