ANALISIS PERBANDINGAN KINERJA XGBOOST DALAM KLASIFIKASI PASIEN DIABETES

Diabetes mellitus merupakan penyakit kronis dengan peningkatan kasus global, menjadikan deteksi dini sangat penting. Machine learning menawarkan pendekatan efektif untuk klasifikasi pasien diabetes. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Extreme Gradient Boosting (XGBoost) dalam mengklasifikasikan pasien diabetes menggunakan dataset Pima Indian Diabetes, khususnya untuk mengevaluasi pengaruh teknik normalisasi data. Penelitian ini membandingkan kinerja model XGBoost yang dilatih tanpa normalisasi, dengan normalisasi menggunakan MinMax Scaler, dan dengan normalisasi menggunakan RobustScaler. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC-ROC. Hasil menunjukkan bahwa model XGBoost tanpa normalisasi memberikan kinerja terbaik dengan akurasi 83,55%, recall 83,95%, F1-score 0,7816, dan AUC 0,8613. Penerapan MinMaxScaler dan RobustScaler tidak meningkatkan performa secara signifikan, bahkan dalam beberapa kasus menurunkannya hingga ke baseline (AUC=0.50), menandakan ketidakcocokan metode normalisasi tersebut dengan dataset atau model. Hal ini menunjukkan bahwa XGBoost secara intrinsik kuat terhadap skala fitur pada dataset ini. Penelitian ini menyimpulkan bahwa XGBoost merupakan algoritma yang andal untuk klasifikasi diabetes, bahkan tanpa proses normalisasi data.