<![CDATA[Diabetes Mellitus ialah salah satu tantangan kesehatan global di mana terus meningkat, dengan prevalensi yang mengkhawatirkan. Penelitian ini berfokus pada pengembangan model prediksi untuk mendeteksi status diabetes (Negatif, Prediabetes, dan Diabetes) memakai algoritma Extreme Gradient Boosting (XGBoost) pada dataset CDC Diabetes Health Indicators. Masalah kunci yang diatasi mencakup penanganan ketidakseimbangan kelas yang signifikan dalam dataset dan optimasi hyperparameter untuk meningkatkan akurasi prediksi. Penelitian ini bertujuan untuk menghasilkan model prediksi XGBoost yang optimal dan mengevaluasi kinerjanya. Proses penelitian melibatkan pengumpulan dataset, diikuti tahap preprocessing data termasuk penanganan ketidakseimbangan kelas memakai teknik over-sampling Synthetic Minority Over-sampling Technique (SMOTE) pada data pelatihan. Selanjutnya, hyperparameter model XGBoost dioptimalkan secara sistematis memakai framework Optuna dengan algoritma Tree-structured Parzen Estimator (TPE). Model akhir kemudian dilatih dan dievaluasi secara komprehensif pada set data pengujian yang terpisah. Hasil evaluasi memperlihatkan akurasi keseluruhan model 88%. Jadi, model prediksi yang dikembangkan ini berpotensi guna mendukung upaya deteksi dini dan pengelolaan faktor risiko diabetes, serta memberikan wawasan tentang penerapan algoritma XGBoost dalam analisis data kesehatan.]]>
Copyrights © 2026
