SUBSETSUBSET

The Indonesian Journal of Computer Science ResearchThe Indonesian Journal of Computer Science Research

Penyakit liver merupakan salah satu penyebab utama kematian global, sehingga deteksi dini sangat penting untuk mendukung penanganan medis yang cepat dan tepat. Penelitian ini bertujuan meningkatkan akurasi deteksi penyakit liver menggunakan algoritma Random Forest. Dataset yang digunakan adalah Indian Liver Patient Dataset (ILPD) yang terdiri dari 583 entri. Penelitian mengikuti pendekatan CRISP-DM dan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas serta Grid Search CV untuk optimasi hyperparameter. Berbeda dengan penelitian sebelumnya, studi ini menggabungkan SMOTE dan Grid Search secara sistematis untuk meningkatkan performa model pada dataset ILPD. Hasil menunjukkan bahwa akurasi model meningkat dari 74% menjadi 75%, dengan perbaikan pada precision dan recall, khususnya untuk kelas pasien yang terdiagnosis liver disease. Temuan ini menunjukkan bahwa Random Forest yang dioptimalkan melalui pendekatan ini dapat menjadi metode andal dalam mendukung diagnosis dini penyakit liver.

Temuan utama dari penelitian ini menunjukkan bahwa penerapan algoritma Random Forest yang dikombinasikan dengan teknik penyeimbangan data SMOTE serta penyetelan hyperparameter melalui Grid Search CV berkontribusi dalam meningkatkan performa model dalam mendeteksi penyakit liver pada dataset ILPD.Hasil evaluasi memperlihatkan bahwa model awal memiliki akurasi sebesar 74%, yang kemudian meningkat menjadi 75% setelah dilakukan tuning.Meskipun peningkatan tersebut tergolong marginal, hal ini tetap mencerminkan adanya perbaikan yang konsisten dalam stabilitas dan kemampuan generalisasi model, khususnya dalam mengidentifikasi pasien dengan penyakit liver.Dengan demikian, kombinasi antara optimasi parameter dan penyeimbangan data dapat dianggap efektif dalam memperbaiki kinerja klasifikasi, meskipun peningkatan akurasi secara absolut tidak signifikan.

Berdasarkan hasil penelitian ini, terdapat beberapa arah penelitian lanjutan yang dapat dieksplorasi untuk meningkatkan akurasi dan efektivitas deteksi penyakit liver. Pertama, penelitian selanjutnya dapat menginvestigasi penggunaan algoritma machine learning lain, seperti deep learning, untuk melihat apakah model tersebut dapat memberikan performa yang lebih baik dibandingkan dengan Random Forest, terutama dengan mempertimbangkan kompleksitas data medis yang semakin meningkat. Kedua, eksplorasi fitur-fitur tambahan dari data pasien, seperti riwayat penyakit keluarga, gaya hidup, dan hasil tes laboratorium yang lebih detail, dapat membantu meningkatkan akurasi prediksi. Ketiga, pengembangan model yang dapat mengintegrasikan berbagai sumber data, termasuk data klinis, data genomik, dan data pencitraan medis, dapat memberikan gambaran yang lebih komprehensif tentang kondisi pasien dan meningkatkan kemampuan diagnosis dini.

  1. Analisis Perbandingan Kinerja Algoritma Klasifikasi dengan Menggunakan Metode K-Fold Cross Validation... doi.org/10.30865/mib.v6i4.4681Analisis Perbandingan Kinerja Algoritma Klasifikasi dengan Menggunakan Metode K Fold Cross Validation doi 10 30865 mib v6i4 4681
  2. METODE RANDOM FOREST UNTUK MEMUDAHKAN KLASIFIKASI DIAGNOSIS PENYAKIT MENTAL | Jurnal Informatika Medis.... doi.org/10.52060/im.v2i1.2119METODE RANDOM FOREST UNTUK MEMUDAHKAN KLASIFIKASI DIAGNOSIS PENYAKIT MENTAL Jurnal Informatika Medis doi 10 52060 im v2i1 2119
  3. Aksara: Jurnal Ilmu Pendidikan Nonformal. aksara jurnal ilmu pendidikan nonformal issn print peer reviewed... ejurnal.pps.ung.ac.id/index.php/AksaraAksara Jurnal Ilmu Pendidikan Nonformal aksara jurnal ilmu pendidikan nonformal issn print peer reviewed ejurnal pps ung ac index php Aksara
  4. Analisis Sistem Pendeteksi Penipuan Transaksi Kartu Kredit dengan Algoritma Machine Learning | Jurnal... journal.thamrin.ac.id/index.php/jtik/article/view/1306Analisis Sistem Pendeteksi Penipuan Transaksi Kartu Kredit dengan Algoritma Machine Learning Jurnal journal thamrin ac index php jtik article view 1306
Read online
File size561.39 KB
Pages9
DMCAReport

Related /

ads-block-test