SISTEM PAKAR DALAM ANALISIS PREDIKSI RISIKO DIABETES MENGGUNAKAN MODEL XGBOOST DAN ANALISIS FAKTOR RISIKO DENGAN EXPLAINABLE AI (SHAP)

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.