PENDEKATAN EXPLAINABLE MACHINE LEARNING MENGGUNAKAN CATBOOST DAN SHAP UNTUK KLASIFIKASI SPESIES PENGUIN BERDASARKAN MORFOLOGICornelia-authorData penguin di Kepulauan Palmer, Antartika, merupakan salah satu contoh data yang banyak digunakan untuk penelitian ilmiah karena mencerminkan variasi biologis yang kompleks antarspesies. Namun, sebagian besar penelitian terdahulu hanya berfokus pada peningkatan akurasi model tanpa menjelaskan faktor-faktor yang memengaruhi hasil klasifikasi. Hal ini menyebabkan keterbatasan dalam memahami secara mendalam hubungan antara fitur morfologi dengan prediksi spesies. Penelitian ini bertujuan untuk menerapkan algoritma CatBoostClassifier dalam dua konfigurasi, yaitu parameter default dan hasil hyperparameter tuning, pada Dataset 1 dan Dataset 2 yang telah diselaraskan. Tahapan penelitian meliputi eksplorasi dan preprocessing data, pembagian dataset, pemodelan, evaluasi kinerja menggunakan metrik klasifikasi, serta interpretasi model dengan pendekatan Explainable Machine Learning berbasis SHAP. Hasil penelitian menunjukkan bahwa model CatBoostClassifier hasil tuning mampu menghasilkan kinerja yang optimal dan stabil dengan tingkat akurasi sebesar 99% pada Dataset 1 dan 85% pada Dataset 2, yang selanjutnya divalidasi melalui pengujian menggunakan data eksternal. Analisis SHAP mengungkap bahwa fitur morfologi seperti panjang paruh (Culmen Length (mm) / Bill Length (mm)), kedalaman paruh (Culmen Depth (mm) / Bill Depth (mm)), panjang sirip (Flipper Length (mm)), dan massa tubuh (Body Mass (g)) memiliki kontribusi yang berbeda dalam membedakan setiap spesies penguin. Dengan demikian, penelitian ini menghasilkan model klasifikasi yang tidak hanya akurat tetapi juga interpretatif, sehingga dapat dimanfaatkan sebagai alat bantu analisis berbasis data dalam bidang biologi, khususnya dalam identifikasi spesies, serta mendukung kajian keanekaragaman hayati dan konservasi.000 Ilmu komputer, informasi dan pekerjaan umum2026-04-09Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis