Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Anemia merupakan kondisi medis yang memerlukan diagnosis yang akurat untuk penanganan yang efektif. Penelitian ini mengeksplorasi penerapan teknik ensemble learning, khususnya stacking classifier, untuk klasifikasi jenis-jenis anemia. Teknik ini menggabungkan tiga model dasar: Random Forest, K-Nearest Neighbors (KNN), dan Gradient Boosting, dengan Logistic Regression sebagai estimator akhir. Data medis yang digunakan melibatkan berbagai fitur hematologi, dan preprocessing meliputi pembersihan, normalisasi, serta pembagian data. Evaluasi model dilakukan menggunakan cross-validation dengan 10 lipatan. Hasil penelitian menunjukkan bahwa stacking classifier mencapai akurasi keseluruhan 98%, dengan precision dan recall yang sangat baik di sebagian besar kelas. Kelas-kelas seperti Iron deficiency anemia, Leukemia, dan Other microcytic anemia menunjukkan precision 100%, sementara beberapa kelas dengan sampel kecil mengalami recall yang lebih rendah. Secara keseluruhan, model ini efektif dalam mengklasifikasikan jenis-jenis anemia dengan akurasi tinggi dan dapat diadaptasi untuk meningkatkan diagnosis medis lebih lanjut. Penelitian ini menyoroti potensi teknik ensemble dalam memperbaiki performa klasifikasi dan menyarankan eksplorasi lebih lanjut pada data dengan distribusi yang tidak merata.

Conclusion

Penelitian ini berhasil mengembangkan model klasifikasi yang akurat untuk mendeteksi berbagai jenis anemia menggunakan teknik ensemble learning dengan Stacking Classifier.Hasil yang diperoleh menunjukkan bahwa kombinasi model Random Forest, KNN, dan Gradient Boosting yang diintegrasikan melalui Logistic Regression mampu memberikan akurasi yang tinggi.Model ini memiliki precision tertinggi pada kelas Iron deficiency anemia, Leukemia, dan Other microcytic anemia, dan recall terbaik tercatat pada kelas Healthy dan Leukemia.Secara keseluruhan, Stacking Classifier terbukti efektif dalam mengklasifikasikan berbagai jenis anemia dengan akurasi dan keandalan yang tinggi.

Future Research

Berdasarkan hasil penelitian, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk lebih meningkatkan akurasi dan efektivitas model klasifikasi anemia. Pertama, perlu dilakukan eksplorasi lebih lanjut terhadap teknik penanganan data yang tidak seimbang, seperti oversampling atau undersampling, untuk mengatasi masalah ketidakseimbangan kelas yang dapat mempengaruhi performa model pada kelas-kelas dengan jumlah sampel yang terbatas. Kedua, penelitian selanjutnya dapat menginvestigasi penggunaan fitur-fitur tambahan dari data medis, seperti hasil tes laboratorium lainnya atau informasi klinis pasien, untuk memperkaya informasi yang digunakan dalam proses klasifikasi dan meningkatkan akurasi prediksi. Ketiga, pengembangan model yang dapat memberikan penjelasan (explainable AI) mengenai alasan di balik prediksi yang diberikan akan sangat bermanfaat bagi klinisi dalam proses pengambilan keputusan, sehingga meningkatkan kepercayaan dan adopsi model dalam praktik klinis.

References

1. K-Nearest Neighbors based on the Nk Interaction Graph | Anais do Encontro Nacional de Inteligência... doi.org/10.5753/eniac.2022.227174K Nearest Neighbors based on the Nk Interaction Graph Anais do Encontro Nacional de Inteligyncia doi 10 5753 eniac 2022 227174
2. View of MODERN APPROACHES TO THE PHARMACOTHERAPY OF ANEMIA. view modern approaches anemia theusajournals.com/index.php/ijmscr/article/view/3222/3078View of MODERN APPROACHES TO THE PHARMACOTHERAPY OF ANEMIA view modern approaches anemia theusajournals index php ijmscr article view 3222 3078
3. Classification of Anaemia Status Using The K-Nearest Neighbor Algorithm | G-Tech: Jurnal Teknologi Terapan.... ejournal.uniramalang.ac.id/index.php/g-tech/article/view/6377Classification of Anaemia Status Using The K Nearest Neighbor Algorithm G Tech Jurnal Teknologi Terapan ejournal uniramalang ac index php g tech article view 6377

Metadata

File size	340.97 KB
Pages	9
DMCA	Report