<![CDATA[Klasifikasi data tabular memiliki tantangan berupa heterogenitas fitur, ketidakseimbangan kelas, serta kebutuhan akan model yang akurat dan dapat diinterpretasikan. Penelitian ini bertujuan mengoptimalkan kinerja ensemble learning sekaligus meningkatkan interpretabilitas model menggunakan Explainable Artificial Intelligence (XAI). Empat algoritma, yaitu Random Forest, XGBoost, LightGBM, dan CatBoost, dievaluasi pada dataset Adult Census Income, Bank Marketing, Breast Cancer Wisconsin, dan Student Dropout. Optimasi hyperparameter dilakukan menggunakan Optuna dengan Stratified 5-Fold Cross-Validation, sedangkan kinerja model dievaluasi menggunakan Accuracy, Precision, Recall, F1-Score, dan ROC-AUC. Model terbaik selanjutnya dianalisis menggunakan SHapley Additive exPlanations (SHAP). Hasil penelitian menunjukkan bahwa optimasi meningkatkan F1-Score pada seluruh 16 kombinasi model-dataset dengan rata-rata peningkatan absolut sebesar 0,0178. LightGBM menghasilkan F1-Score terbaik pada Adult (0,769), Bank Marketing (0,562), dan Student Dropout (0,777), sedangkan XGBoost menjadi model representatif terbaik pada Breast Cancer dengan F1-Score 0,967. Analisis SHAP menunjukkan bahwa fitur dominan berbeda pada setiap dataset sesuai karakteristik domainnya. Hasil ini menunjukkan bahwa integrasi optimasi ensemble learning dan XAI mampu meningkatkan kinerja klasifikasi sekaligus memberikan interpretasi terhadap faktor yang berkontribusi pada keputusan model.]]>
Copyrights © 2026
