Abstrak Diabetes melitus merupakan gangguan metabolisme kronis yang menjadi perhatian kesehatan global yang terus meningkat, ditandai dengan tingkat prevalensi yang terus meningkat. Prediksi dini dan diagnosis yang akurat sangat penting untuk manajemen penyakit yang efektif dan pencegahan komplikasi. Studi ini menyajikan kerangka metodologis untuk mengoptimalkan algoritma XGBoost guna meningkatkan akurasi prediksi diabetes sekaligus meminimalkan kesalahan klasifikasi, dengan penekanan khusus pada pengurangan negatif palsu karena implikasi klinisnya yang signifikan. Metodologi pembelajaran mesin kami menggabungkan praproses data yang komprehensif, pengoptimalan hiperparameter sistematis melalui pencarian grid, dan evaluasi model yang ketat menggunakan analisis matriks kebingungan dan metrik ROC-AUC. Basis Data Diabetes Pima Indians dipartisi menggunakan pemisahan uji-latihan 70:30 untuk memastikan generalisasi model yang kuat. Model XGBoost yang dioptimalkan menunjukkan metrik kinerja yang luar biasa: akurasi (96,33%), presisi (93,4%), perolehan kembali (97,16%), skor F1 (95,7%), dan skor ROC-AUC (0,99). Analisis terperinci dari matriks kebingungan mengungkapkan 205 positif benar dan 373 negatif benar, dengan hanya 16 positif salah dan 6 negatif salah, yang menunjukkan kemampuan diagnostik unggul.Temuan ini menunjukkan bahwa algoritme XGBoost kami yang dioptimalkan merupakan alat pendukung keputusan yang berharga bagi praktisi perawatan kesehatan dalam deteksi dini diabetes. Meskipun model tersebut menunjukkan kinerja keseluruhan yang luar biasa, pengurangan lebih lanjut dari hasil negatif palsu tetap menjadi target penting untuk meningkatkan keselamatan klinis. Studi ini memberikan kontribusi signifikan terhadap ilmu data medis dengan membangun kerangka kerja yang kuat dan dioptimalkan untuk prediksi diabetes menggunakan teknik pembelajaran mesin tingkat lanjut, dengan aplikasi potensial dalam sistem pendukung keputusan klinis dan strategi perawatan kesehatan preventif. Kata kunci: Diabetes mellitus,  XGBoost,  confusion matrix,  ROC-AUC,  optimasi hyperparameter.   Abstract Diabetes mellitus is a chronic metabolic disorder that is a growing global health concern, characterized by an increasing prevalence rate. Early prediction and accurate diagnosis are essential for effective disease management and prevention of complications. The study presents a methodological framework for optimizing the XGBoost algorithm to improve the accuracy of diabetes predictions while minimizing misclassification, with a special emphasis on the reduction of false negatives due to its significant clinical implications. Our machine learning methodology combines comprehensive data preprocessing, systematic hyperparameter optimization through grid search, and rigorous model evaluation using confusion matrix analysis and ROC-AUC metrics. The Pima Indians Diabetes Database is partitioned using an 70:30 test-exercise split to ensure robust model generalization. The optimized XGBoost model shows outstanding performance metrics: accuracy (96.33%), precision (93.4%), regain (97.16%), F1 score (95.7%), and ROC-AUC score (0.99). A detailed analysis of the confusion matrix revealed 205 true positives and 373 true negatives, with only 16 false positives and 6 false negatives, indicating superior diagnostic capabilities. These findings suggest that our optimized XGBoost algorithm is a valuable decision support tool for healthcare practitioners in the early detection of diabetes. Although the model shows excellent overall performance, further reduction of false-negative results remains an important target for improving clinical safety. The study makes a significant contribution to medical data science by building a robust and optimized framework for diabetes prediction using advanced machine learning techniques, with potential applications in clinical decision support systems and preventive health care strategies. Keywords: Diabetes mellitus, XGBoost, confusion matrix, ROC-AUC, hyperparameter optimization.