Abstract:
Perkembangan Machine Learning dalam bidang kesehatan memberikan peluang
dalam deteksi dini penyakit, termasuk diabetes mellitus yang memiliki prevalensi
tinggi dan sering terlambat terdeteksi. Metode pemeriksaan konvensional
memiliki keterbatasan dalam aksesibilitas dan biaya, sementara model seperti
XGBoost meskipun akurat masih memiliki kelemahan dalam interpretabilitas.
Oleh karena itu, penelitian ini bertujuan mengembangkan sistem pakar berbasis
web untuk prediksi risiko diabetes menggunakan XGBoost serta memberikan
penjelasan faktor risiko melalui metode Explainable AI (SHAP). Rumusan
masalah penelitian ini mencakup analisis kebutuhan sistem, perancangan sistem
berbasis web, pengujian kinerja prediksi dan interpretasi, serta implementasi
sistem yang dapat digunakan oleh masyarakat. Metode yang digunakan adalah
Data Mining dengan teknik klasifikasi menggunakan algoritma XGBoost. Dataset
yang digunakan berjumlah 520 data dari Kaggle dengan variabel seperti usia, jenis
kelamin, dan gejala klinis diabetes. Tahapan penelitian meliputi data cleaning,
label encoding, pelatihan model, serta integrasi SHAP untuk interpretasi hasil.
Perancangan sistem dilakukan menggunakan UML. Hasil penelitian menunjukkan
bahwa sistem mampu memprediksi risiko diabetes dengan baik serta memberikan
penjelasan faktor risiko secara transparan. Implementasi SHAP memungkinkan
pengguna memahami kontribusi setiap variabel terhadap hasil prediksi. Sistem
yang dikembangkan berbasis web sehingga mudah diakses tanpa memerlukan
pemeriksaan laboratorium. Dengan demikian, sistem pakar ini tidak hanya
memberikan prediksi yang akurat tetapi juga interpretatif, sehingga dapat
membantu deteksi dini diabetes dan meningkatkan kesadaran masyarakat terhadap
faktor risiko penyakit.
