Publisher

TRILOGITRILOGI

Journal Jurnal Sistem Informasi dan Sains TeknologiJurnal Sistem Informasi dan Sains Teknologi Abstract

Kanker tiroid terdiferensiasi (DTC) umumnya memiliki prognosis baik, tetapi sebagian pasien mengalami kekambuhan, sehingga diperlukan stratifikasi risiko yang objektif. Penelitian ini bertujuan mengembangkan model klasifikasi berbasis algoritma C4.5 untuk memprediksi tingkat risiko kekambuhan DTC (Low, Intermediate, High) menggunakan dataset Differentiated Thyroid Cancer Recurrence dari UCI Machine Learning Repository. Algoritma C4.5 dipilih karena mampu menangani atribut numerik dan kategorik, memodelkan hubungan nonlinier, serta menghasilkan pohon keputusan dan aturan if-then yang mudah ditelusuri. Penelitian ini melibatkan prapemrosesan data, pembagian data latih dan uji, pelatihan pohon keputusan C4.5 dengan pruning, dan evaluasi menggunakan akurasi, error klasifikasi, presisi tertimbang, dan recall tertimbang. Hasil menunjukkan akurasi 81,03%, error klasifikasi 18,97%, presisi tertimbang 78,11%, dan recall tertimbang 78,77%. Kesalahan klasifikasi terutama terjadi antara kelas Low dan Intermediate, sementara pasien berisiko tinggi teridentifikasi dengan baik. Temuan ini menunjukkan bahwa C4.5 dapat memetakan pola klinis dan berpotensi sebagai alat bantu awal dalam stratifikasi risiko kekambuhan DTC.

Conclusion

5 mampu menghasilkan model klasifikasi yang baik untuk memprediksi risk-level kekambuhan kanker tiroid terdiferensiasi.Model ini memiliki akurasi tinggi dan mampu mengenali sebagian besar pasien berisiko tinggi.Meskipun demikian, masih terdapat kesalahan klasifikasi terutama antara kelas risiko yang berdekatan.5 dapat membangun pohon keputusan yang representatif dan memiliki potensi untuk diintegrasikan sebagai komponen sistem pendukung keputusan klinis.Namun, penelitian selanjutnya diperlukan untuk meningkatkan kinerja model, terutama dalam membedakan kelas risiko yang berdekatan, serta untuk validasi eksternal dan uji coba terbatas di lingkungan praktik nyata.

Future Research

Untuk meningkatkan kinerja model, disarankan untuk menggunakan dataset yang lebih besar dan beragam, termasuk data dari populasi lokal atau multi-center. Penambahan atribut klinikopatologis yang spesifik terhadap kekambuhan, seperti rincian terapi radioiodine, dinamika kadar thyroglobulin, dan temuan imaging lanjutan, dapat meningkatkan kemampuan model dalam membedakan pasien berisiko tinggi. Penerapan teknik feature selection, penyeimbangan kelas, dan pengaturan bobot kesalahan untuk kelas risiko tinggi juga layak dipertimbangkan. Selain itu, sebelum diintegrasikan ke dalam sistem pendukung keputusan klinis, diperlukan validasi eksternal dan uji coba terbatas di lingkungan praktik nyata untuk menilai aspek kegunaan, penerimaan oleh klinisi, dan dampak potensial terhadap alur pengambilan keputusan dan tata laksana pasien.

Metadata

File size	536.51 KB
Pages	20
DMCA	Report