PENERAPAN XGBOOST DENGAN HYPERPARAMETER TUNING UNTUK KLASIFIKASI PENYAKIT TUBERKULOSIS

Tuberkulosis (TB) tetap menjadi tantangan kesehatan global yang kritis, di mana Indonesia menempati peringkat beban kasus tertinggi kedua di dunia. Penelitian ini bertujuan untuk mengoptimalkan klasifikasi penyakit TB menggunakan algoritma Extreme Gradient Boosting (XGBoost) melalui pendekatan hyperparameter tuning untuk mengatasi keterbatasan diagnosis konvensional yang cenderung lambat. Menggunakan 7.150 data rekam medis yang bersumber dari RS Syarifah Ambami Rato Ebuh, Puskesmas, dan Kaggle, metodologi penelitian mencakup preprocessing, penanganan data tidak seimbang dengan Synthetic Minority Over-sampling Technique (SMOTE), serta Grid Search yang dipadukan dengan 10-Fold Cross-Validation. Hasil penelitian menunjukkan bahwa model XGBoost dengan tuning secara konsisten mengungguli model tanpa tuning di seluruh rasio pengujian, dengan akurasi tertinggi mencapai 84,71% pada rasio data 70:30. Analisis perbandingan performa yang memprioritaskan metrik Recall dan minimalisasi False Negative (FN) mengungkapkan bahwa model tanpa tuning cenderung memiliki bias terhadap kelas mayoritas serta mengalami gejala overfitting ringan. Sebaliknya, model yang menggunakan tuning terbukti lebih stabil, bahkan berhasil mencapai angka nol kasus False Positive pada rasio 90:10. Model final ini diimplementasikan ke dalam aplikasi berbasis website menggunakan framework Flask.