PENERAPAN HYPERPARAMETER TUNING PADA ALGORITMA XGBOOST UNTUK PREDIKSI PENYAKIT DIABETES MELLITUS

Penerapan hyperparameter tuning pada algoritma XGBoost untuk prediksi penyakit diabetes mellitus dilakukan untuk meningkatkan akurasi prediksi diabetes. Penelitian ini memanfaatkan dataset terbuka yang terdiri dari 70.000 baris data dan 22 variable, dengan fokus pada sembilan variabel utama yakni GenHltlh, HighBP, BMI, HighChol, Age, DiffWalk, Income, HeartDiseaseorAttack dan PhysHlth. Metode yang digunakan mencakup pembersihan data, seleksi fitur penanganan outlier menggunakan metode winsorization, pembagian data latih dan data uji dnegan startified sampling, serta pengembangan model baseline XGBoost tanpa tuning menghasilkan akurasi sebesar 73% sementara model dengan hyperparameter tuning mencapai akurasi 74%. Analisis Confusion Matrix dan Classification Report menunjukkan peningkatan pada nilai presicion, recall, dan f1-score, terutama pada kelas positif atau terdeteksi diabetes. Sebagai langkah lanjutan, model ini dideploy dalam aplikasi web sederhana menggunakan Flask untuk menguji fungsionalitas model. Meskipun demikian, aplikasi ini bersifat prototipe beta dan belum dirancang untuk penggunaan medis karena model masih memerlukan validasi lebih lanjut. Penelitian ini menunjukkan bahwa optimasi hyperparameter pada XGBoost memberikan hasil yang lebih baik dibandingkan model baseline. Model yang dihasilkan memiliki potensi untuk digunakan dalam presiksi awal diabetes, namun memerlukan pengujian tambmahan sebelum diimplementasi secara luas.