PREDIKSI RISIKO DIABETES BERDASARKAN INDIKATOR KESEHATAN MENGGUNAKAN ALGORITMA XGBOOST PADA APLIKASI ANDROID UNTUK SISTEM PENDUKUNG KEPUTUSAN KESEHATAN BERBASIS MACHINE LEARNING

Riskianto, Dodi Dwi (2026) PREDIKSI RISIKO DIABETES BERDASARKAN INDIKATOR KESEHATAN MENGGUNAKAN ALGORITMA XGBOOST PADA APLIKASI ANDROID UNTUK SISTEM PENDUKUNG KEPUTUSAN KESEHATAN BERBASIS MACHINE LEARNING. Other thesis, Universitas Nurul Jadid.

Text Skripsi Pengajuan Yudisiun_watermark.pdf Restricted to Registered users only Download (9MB) | Request a copy

Abstract

Penelitian ini bertujuan mengembangkan model prediksi risiko diabetes tipe 2
menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang
diimplementasikan pada aplikasi Android sebagai Sistem Pendukung Keputusan
(SPK) dengan fitur rekomendasi Artificial Intelligence (AI). Pemodelan
menggunakan dataset CDC Diabetes Health Indicators dengan 21 fitur indikator
kesehatan, yang dioptimalkan melalui parameter scale_pos_weight dan threshold
tuning pada nilai 0,45. Aplikasi dikembangkan menggunakan framework Flutter
dan server Laravel, serta dirancang untuk mendukung prediksi secara offline
melalui format ONNX maupun online melalui integrasi Hugging Face ML API dan
OpenRouter LLM API. Hasil pengujian menunjukkan model XGBoost memiliki
performa pemisahan kelas yang sangat baik dengan nilai ROC-AUC sebesar
0,8310, akurasi 83,39%, dan F1-Score 0,4694. Tiga indikator kesehatan yang paling
berpengaruh terhadap hasil prediksi adalah riwayat tekanan darah tinggi, kondisi
kesehatan umum, dan riwayat kolesterol tinggi. Pengujian fungsional sistem
berjalan 100% tanpa kendala, sementara pengujian pengguna (usability) mencatat
bahwa 92%-98% responden sangat setuju aplikasi ini informatif dan mudah
digunakan. Kesimpulannya, sistem ini terbukti andal sebagai alat bantu skrining
awal risiko diabetes yang praktis dan mampu meningkatkan kesadaran pengguna.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Diabetes, Machine Learning, XGBoost, Android, Sistem Pendukung Keputusan, Artificial Intelligence.
Subjects:	Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Unnamed user with email [email protected]
Date Deposited:	30 Oct 2026 11:49
Last Modified:	30 Oct 2026 11:49
URI:	https://repository.unuja.ac.id/id/eprint/5681

Actions (login required)

View Item