KURNIAWATI, Novia Salsabila (2025) Analisis Prediksi Penyakit Diabetes Menggunakan Algoritma XGBoost dan Interpretasi Variabel dengan Metode SHAP. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (148kB)
	Text 3. Halaman Pengesahan I.pdf Download (179kB)
	Text 4. Halaman Pengesahan II.pdf Download (156kB)
	Text 5. Kata Pengantar.pdf Download (130kB)
	Text 6. Abstrak.pdf Download (149kB)
	Text 7. Abstract.pdf Download (106kB)
	Text 8. Daftar Isi.pdf Download (180kB)
	Text 12. BAB 1.pdf Download (261kB)
	Text 17. Daftar Pustaka.pdf Download (217kB)

Abstract

Diabetes mellitus terus meningkat secara global, dengan 537 juta penderita pada 2021 dan diperkirakan mencapai 643 juta pada 2030. Dataset Pima Indians Diabetes (PIDD) sering digunakan dalam studi prediksi risiko diabetes karena
representasinya terhadap populasi berisiko tinggi, menjadikannya referensi penting dalam pengembangan model berbasis machine learning. Penerapan machine learning dalam sektor Kesehatan semakin berkembang, terutama dengan
algoritma XGBoost untuk prediksi klinis. Namun, kompleksitas XGBoost menimbulkan tantangan dalam interpretabilitas, untuk itu digunakan metode SHAP untuk menjelaskan kontribusi variabel. Model XGBoost mencapai akurasi sebesar 83% pada data uji. Analisis SHAP mengidentifikasikan variabel Glucose,
BMI, dan Age sebagai prediktor paling signifikan untuk diabetes. Integrasi XGBoost dan SHAP menghasilkan model prediksi diabetes yang tidak hanya akurat tetapi juga dapat diinterpretasikan. Temuan ini menegaskan potensi machine
learning dalam memfasilitasi deteksi dini dan meningkatkan pengambilan keputusan klinis, terutama dalam mengidentifikasi faktor risiko kunci bagi pasien yang berisiko diabetes.
Kata Kunci: Diabetes Mellitus, XGBoost, SHAP, Prediksi Risiko Diabetes

Actions (login required)

View Item