PREDIKSI TINGKAT RISIKO KESEHATAN PADA JEMAAH HAJI DENGAN METODE RANDOM FOREST DAN EXTREME GRADIENT BOOSTING MENGGUNAKAN OPTIMASI BAYESIAN (STUDI KASUS : JEMAAH HAJI EMBARKASI BALIKPAPAN)Luthfi BhaktiawanHusagauthorKondisi kesehatan fisik jemaah haji merupakan aspek vital dalam kelancaran ibadah, terutama mengingat tingginya kerentanan pada kelompok lansia dan jemaah dengan komorbiditas, sehingga diperlukan metode deteksi dini yang presisi untuk memitigasi risiko medis. Penelitian ini bertujuan untuk membangun model prediksi tingkat risiko kesehatan jemaah haji dengan menerapkan algoritma ensemble learning, yakni Random Forest dan Extreme Gradient Boosting (XGBoost), yang kinerjanya ditingkatkan melalui penalaan hyperparameter otomatis menggunakan Bayesian Optimization. Berbasis data pemeriksaan kesehatan 6.037 jemaah haji Embarkasi Balikpapan tahun 2024 yang meliputi atribut demografis dan riwayat penyakit (ICD-10), penelitian ini melakukan evaluasi model menggunakan metode Stratified 10-Fold Cross-Validation untuk menangani ketidakseimbangan data secara valid. Hasil eksperimen menunjukkan bahwa integrasi Bayesian Optimization mampu mencapai konvergensi performa optimal secara efisien dalam kurang dari 25 iterasi, di mana model Random Forest berbasis optimasi (BO-RF) menghasilkan kinerja paling seimbang dengan rata-rata Akurasi 89,30% dan F1-Score 89,11%, sementara model XGBoost (BOXGB) mencatat Akurasi 89,15% dengan keunggulan diskriminatif pada nilai AUC 0,9597. Penelitian ini menyimpulkan bahwa pendekatan komputasi yang diusulkan terbukti efektif dalam meningkatkan akurasi prediksi dibandingkan metode konvensional dan layak diimplementasikan sebagai sistem pendukung keputusan strategis bagi tim kesehatan haji dalam menentukan prioritas penanganan medis sebelum keberangkatan.000 Ilmu komputer, informasi dan pekerjaan umum2026-02-02Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis