Model Klasifikasi Diabetes Menggunakan XGBoost Dengan Optimasi Seleksi Fitur Dan Hyperparameter Berbasis PSO

Abstrak

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.