Prediksi Risiko Diabetes Menggunakan XGBoost dengan Interpretasi Model Berbasis SHAP (Studi Kasus : Pasien Diabetes di Medical City Hospital dan Al-Kindy Teaching Hospital, Irak)

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi risiko diabetes yang akurat dan dapat diinterpretasikan menggunakan algoritma XGBoost, dengan pendekatan explainable AI berbasis SHAP (SHapley Additive exPlanations). Dataset yang digunakan terdiri dari 1.000 data pasien yang mencakup variabel klinis seperti usia, BMI, profil kolesterol, dan gender. Target klasifikasi dikategorikan menjadi dua kelas yaitu Positif (Pradiabetes dan Diabetes) dan Negatif (Normal). Proses pengembangan model melibatkan preprocessing data, rekayasa fitur rasio Cr/Urea, serta tuning parameter untuk mengoptimalkan kinerja klasifikasi. Evaluasi model pada data uji menunjukkan akurasi sebesar 96%, dengan nilai precision dan recall yang tinggi, khususnya dalam mendeteksi individu berisiko diabetes. Metode SHAP digunakan untuk menganalisis kontribusi fitur secara global dan individual, sehingga meningkatkan transparansi dalam pengambilan keputusan model. Fitur yang paling berpengaruh antara lain BMI, dan Chol. Hasil penelitian ini menunjukkan bahwa kombinasi antara machine learning dan metode interpretasi seperti SHAP dapat mendukung deteksi dini diabetes dan memberikan dasar bagi intervensi klinis yang lebih tepat dan efektif.