<![CDATA[Diabetes melitus merupakan masalah kesehatan global yang terus meningkat, dengan dampak signifikan terhadap kualitas hidup individu dan ekonomi masyarakat. Deteksi dini diabetes memainkan peran penting dalam mencegah komplikasi serius, tetapi metode konvensional sering kali terbatas oleh waktu, biaya, dan akurasi. Penelitian ini mengusulkan kombinasi Principal Component Analysis (PCA) dan algoritma XGBoost untuk meningkatkan akurasi dan efisiensi deteksi dini diabetes. PCA digunakan untuk mereduksi dimensi data, sementara XGBoost diterapkan sebagai algoritma klasifikasi. Dataset Pima Indians Diabetes Database digunakan sebagai objek penelitian, dengan tahapan meliputi preprocessing data, penerapan PCA, dan pelatihan model menggunakan XGBoost. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kombinasi PCA dan XGBoost meningkatkan performa model dibandingkan dengan XGBoost tanpa PCA, dengan peningkatan akurasi hingga 5.4% dan F1-score sebesar 6.45%. Namun, terdapat tantangan berupa sedikit penurunan recall, yang memerlukan optimasi lebih lanjut. Penelitian ini menunjukkan potensi besar teknologi machine learning dalam mendukung deteksi dini diabetes secara lebih cepat, akurat, dan efisien, serta membuka peluang implementasi di sistem kesehatan berbasis data.]]>
Copyrights © 2025
