Model Klasifikasi Diabetes Menggunakan XGBoost Dengan Optimasi Seleksi Fitur Dan Hyperparameter Berbasis PSO
JITSI : Jurnal Ilmiah Teknologi Sistem Informasi · 12.07.2026 · 7 (2) · 203-210
DOI: 10.62527/jitsi.7.2.620 ↗Kurz gefasst
Fachartikel in der Zeitschrift JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, online erschienen am 12.07.2026. Verfasst von Sheila Putri aprilianti und 4 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).
Themen: Diabetes mellitus
Abstract (Originalsprache)
Peningkatan kasus diabetes mellitus secara global menuntut ketersediaan sistem deteksi dini yang lebih akurat dan berbasis teknologi. Penelitian ini mengembangkan model klasifikasi diabetes menggunakan Extreme Gradient Boosting (XGBoost) yang dioptimasi melalui skema dua tahap Particle Swarm Optimization (PSO): Binary PSO (BPSO) untuk seleksi fitur dan Global Best PSO (GBPSO) untuk penyetelan hyperparameter. Data diperoleh dari Diabetes Prediction Dataset Kaggle (100.000 rekam data, delapan atribut klinis: gender, usia, hipertensi, penyakit jantung, riwayat merokok, BMI, kadar HbA1c, dan kadar glukosa darah). Ketidakseimbangan kelas yang ekstrem (91,5% normal berbanding 8,5% diabetes) ditangani menggunakan teknik hibrida SMOTETomek. BPSO mempertahankan seluruh delapan fitur sebagai kombinasi optimal (best cost 0,0329; F1-weighted 96,71%), sedangkan GBPSO menghasilkan konfigurasi hyperparameter terbaik (n_estimators=416, learning_rate=0,237, max_depth=3, min_child_weight=3; best cost 0,0308, konvergen pada iterasi ke-11). Model akhir mencapai akurasi 97,15% pada data uji, ROC-AUC 0,9779, dan precision kelas diabetes 0,93. Model diimplementasikan ke dalam sistem berbasis web menggunakan Streamlit yang mengklasifikasikan pasien ke dalam tiga kategori risiko: Tidak Terindikasi, Terindikasi Risiko Awal, dan Terindikasi Diabetes. Pengujian awal pada lima sampel data rekam medis pasien dari rumah sakit mitra yang dirahasiakan namanya di Kota Jayapura menunjukkan hasil klasifikasi yang seluruhnya konsisten dengan kondisi klinis pasien (5 dari 5 sesuai), mengindikasikan potensi penerapan pada data klinis nyata meskipun pengujian skala lebih besar masih diperlukan. Penelitian ini menunjukkan bahwa integrasi XGBoost dengan skema optimasi dua tahap PSO mampu menghasilkan model klasifikasi diabetes yang akurat dan aplikatif.
Zitieren
APA
aprilianti, S. P., Sah, A., Nurhayati, S., Rasna, & Jusmawati (2026). Model Klasifikasi Diabetes Menggunakan XGBoost Dengan Optimasi Seleksi Fitur Dan Hyperparameter Berbasis PSO. JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, 7(2), 203-210. https://doi.org/10.62527/jitsi.7.2.620
Vancouver
aprilianti SP, Sah A, Nurhayati S, Rasna, Jusmawati. Model Klasifikasi Diabetes Menggunakan XGBoost Dengan Optimasi Seleksi Fitur Dan Hyperparameter Berbasis PSO. JITSI : Jurnal Ilmiah Teknologi Sistem Informasi. 2026;7(2):203-210. doi:10.62527/jitsi.7.2.620
BibTeX
@article{aprilianti2026,
author = {aprilianti, Sheila Putri and Sah, Andrian and Nurhayati, Siti and Rasna and Jusmawati},
title = {Model Klasifikasi Diabetes Menggunakan XGBoost Dengan Optimasi Seleksi Fitur Dan Hyperparameter Berbasis PSO},
journal = {JITSI : Jurnal Ilmiah Teknologi Sistem Informasi},
year = {2026},
volume = {7},
number = {2},
pages = {203--210},
doi = {10.62527/jitsi.7.2.620}
}
EUVIMED