PENERAPAN EXTREME GRADIENT BOOSTING (XGBOOST) PADA DIAGNOSA PENYAKIT MATA
Keywords:
XGBoost, Penyakit Mata, Klasifikasi, Machine Learning, Diagnosa Awal PENDAHULUANAbstract
Penelitian ini bertujuan menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengklasifikasikan penyakit mata berbasis data gejala pasien, khususnya pada tiga kelas penyakit, yaitu katarak, glaukoma, dan retinopati diabetik. Metode yang digunakan adalah kuantitatif dengan pendekatan machine learning. Data penelitian berasal dari RSUD Batara Guru dan terdiri atas 1.041 data pasien setelah melalui tahap preprocessing. Sebanyak 15 fitur gejala diekstrak dan digunakan sebagai variabel input, meliputi kabur, mata merah, sensitif cahaya, sakit kepala, gatal, nyeri, mata berair, kelopak mata bengkak, sulit buka mata, warna pudar, sulit melihat malam, floaters, pupil abnormal, mata berat, dan mual. Tahapan penelitian mencakup pemeriksaan data, transformasi nilai gejala, encoding label diagnosa, pemilihan fitur, pembagian data training dan testing, pelatihan model XGBoost, serta evaluasi menggunakan confusion matrix. Model menghasilkan performa seimbang di atas 93,7% pada seluruh metrik evaluasi, yaitu accuracy 93,78%, precision 93,80%, recall 93,78%, dan F1-score 93,75%. Hasil confusion matrix menunjukkan bahwa sebagian besar data berhasil diklasifikasikan dengan benar, meskipun masih terdapat kesalahan pada kelas glaukoma karena kemiripan gejala dengan katarak. Dengan demikian, XGBoost berpotensi digunakan sebagai sistem pendukung keputusan klinis untuk identifikasi awal penyakit mata berbasis gejala pasien, namun hasil prediksi tetap memerlukan konfirmasi medis oleh tenaga kesehatan.
References
T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., vol. 13-17-Augu, no. February, pp. 785–794, 2016, doi: 10.1145/2939672.2939785.
W. Li, Y. Zhou, Z. Luo, M. Tan, R. Yin, and J. Li, “XGBoost-based machine learning model combining clinical and ultrasound data for personalized prediction of thyroid nodule malignancy,” Front. Endocrinol. (Lausanne)., vol. 16, no. July, pp. 1–12, 2025, doi: 10.3389/fendo.2025.1639639.
B. Emir et al., “XGBoost outperforms other machine learning models in diagnosing Sepsis-Associated Thrombocytopenia: a multicenter retrospective study,” Front. Med., vol. 13, no. February, pp. 1–14, 2026, doi: 10.3389/fmed.2026.1715551.
P. Raut, S. Babar, S. Patil, and P. Mahalle, “Machine Learning-Based Detection and Classification of Eye Diseases: A Comprehensive Review and Novel Algorithm,” Int. J. Intell. Syst. Appl. Eng., vol. 12, no. 13s, pp. 622–629, 2024.
T. Keçeli, N. İlhanlı, and K. H. Gülkesen, “Prediction of retinopathy through machine learning in diabetes mellitus,” J. Heal. Sci. Med., vol. 7, no. 4, pp. 467–471, 2024, doi: 10.32322/jhsm.1502050.
J. A. Young, C. W. Chang, C. W. Scales, S. V. Menon, C. E. Holy, and C. A. Blackie, “Machine Learning Methods Using Artificial Intelligence Deployed on Electronic Health Record Data for Identification and Referral of At-Risk Patients From Primary Care Physicians to Eye Care Specialists: Retrospective, Case-Controlled Study,” Jmir Ai, vol. 3, pp. 1–16, 2024, doi: 10.2196/48295.
Z. Rafie, M. S. Talab, B. E. Z. Koor, A. Garavand, C. Salehnasab, and M. Ghaderzadeh, “Leveraging XGBoost and explainable AI for accurate prediction of type 2 diabetes,” BMC Public Health, vol. 25, no. 1, 2025, doi: 10.1186/s12889-025-24953-w.
S. Chang, X. Wang, Y. Luo, and L. Jia, “Data augmentation alters feature importance in XGBoost for CVD prediction,” Sci. Rep., vol. 15, no. 1, pp. 1–11, 2025, doi: 10.1038/s41598-025-26228-1.
P. Yang and B. Yang, “Development and validation of predictive models for diabetic retinopathy using machine learning,” PLoS One, vol. 20, no. 2 February, pp. 1–13, 2025, doi: 10.1371/journal.pone.0318226.
