Publisher

IJCISIJCIS

Journal International Journal of Computer and Information System (IJCIS)International Journal of Computer and Information System (IJCIS) Abstract

Sindrom Ovarium Polikistik (PCOS) adalah gangguan hormonal kompleks yang memengaruhi kesehatan reproduksi dan metabolik wanita. Deteksi dini sangat penting untuk mencegah komplikasi jangka panjang. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja empat algoritma klasifikasi *machine learning*, yaitu Naive Bayes, K-Nearest Neighbor (KNN), Decision Tree, dan Support Vector Machine (SVM), dalam membantu diagnosis PCOS berdasarkan data klinis. Dataset yang digunakan berisi 1000 data pasien dengan lima fitur utama: usia, indeks massa tubuh (IMT), ketidakteraturan menstruasi, kadar testosteron, dan jumlah folikel antral. Data dibagi menggunakan *stratified sampling* (80:20) dan divalidasi dengan teknik *k-fold cross-validation* (k=5). Evaluasi model menggunakan metrik akurasi, presisi, *recall*, F1-*score*, dan AUC. Hasil penelitian menunjukkan bahwa Decision Tree memiliki kinerja terbaik (akurasi 100%, AUC 0.997), diikuti oleh SVM (akurasi 97%) dan KNN (96%). Naive Bayes memiliki akurasi terendah (72%) dan menghasilkan banyak positif palsu. Meskipun Decision Tree unggul, terdapat risiko *overfitting*, sementara SVM dan KNN menunjukkan kinerja yang lebih stabil. Studi ini menegaskan bahwa algoritma klasifikasi, terutama SVM dan KNN, efektif untuk diagnosis PCOS berdasarkan data klinis. Implikasi praktis dari temuan ini adalah pengembangan sistem pendukung keputusan klinis yang akurat dan efisien untuk meningkatkan pelayanan kesehatan wanita.

Conclusion

Berdasarkan evaluasi, model Support Vector Machine (SVM) terbukti paling seimbang dan stabil untuk diagnosis PCOS, sementara Decision Tree menunjukkan performa unggul namun berisiko *overfitting* dan memerlukan validasi eksternal.K-Nearest Neighbor (KNN) juga menawarkan alternatif yang menjanjikan, berbeda dengan Naive Bayes yang kurang direkomendasikan karena akurasi rendah dan prediksi positif palsu yang tinggi.Penelitian ini diharapkan dapat berkontribusi pada pengembangan sistem pendukung keputusan klinis berbasis kecerdasan buatan yang lebih akurat dan efisien untuk meningkatkan layanan kesehatan reproduksi wanita.

Future Research

Penelitian ini membuka jalan bagi pengembangan sistem diagnosis Polycystic Ovary Syndrome (PCOS) yang lebih canggih. Untuk penelitian lanjutan, ada beberapa arah yang sangat menjanjikan. Pertama, mengingat risiko *overfitting* yang teridentifikasi pada model Decision Tree, sebuah studi bisa menyelidiki bagaimana teknik *pruning* yang lebih agresif atau penggunaan metode *ensemble* seperti Random Forest dapat secara efektif mengatasi masalah ini. Fokusnya adalah untuk memastikan bahwa model Decision Tree tidak hanya akurat pada data yang sudah dikenal, tetapi juga mampu memberikan prediksi yang handal pada data pasien baru yang belum pernah dilihat sebelumnya, sehingga manfaatnya di lingkungan klinis menjadi lebih nyata dan dapat dipercaya. Kedua, dataset yang digunakan dalam penelitian ini terbatas pada lima fitur utama. PCOS sendiri merupakan kondisi yang sangat kompleks dengan banyak manifestasi. Oleh karena itu, penelitian di masa depan dapat mengeksplorasi penggunaan dataset yang lebih komprehensif. Ini berarti menambahkan lebih banyak variabel klinis, seperti hasil tes hormon yang lebih detail, profil metabolik lengkap, data genetik, atau bahkan citra USG ovarium dengan analisis yang lebih mendalam. Dengan memperluas jenis dan jumlah data masukan, diharapkan model pembelajaran mesin dapat menangkap pola yang lebih halus dan menghasilkan diagnosis yang lebih presisi dan personal. Ketiga, penelitian ini membandingkan algoritma klasifikasi dasar. Langkah selanjutnya adalah mengeksplorasi algoritma yang lebih maju atau kombinasi algoritma (model hibrida) yang mungkin memiliki kemampuan lebih baik dalam menangani kompleksitas data PCOS. Misalnya, model *deep learning* dapat diuji untuk melihat apakah mereka dapat secara otomatis mengekstrak fitur relevan dari data mentah yang lebih besar. Selain itu, aspek interpretasi model (*explainable AI*) menjadi krusial dalam konteks medis. Studi lanjutan dapat berfokus pada pengembangan model yang tidak hanya akurat, tetapi juga mampu menjelaskan alasan di balik prediksinya, sehingga para dokter dapat memahami dan lebih mempercayai rekomendasi dari sistem pendukung keputusan diagnosis ini.

References

1. COMPARISON OF DECISION TREE AND RANDOM FOREST METHODS IN THE CLASSIFICATION OF DIABETES MELLITUS | Maulidiyyah... doi.org/10.33387/jiko.v7i2.8316COMPARISON OF DECISION TREE AND RANDOM FOREST METHODS IN THE CLASSIFICATION OF DIABETES MELLITUS Maulidiyyah doi 10 33387 jiko v7i2 8316
2. Comparative Study on Heart Disease Prediction Using Feature Selection Techniques on Classification Algorithms... doi.org/10.1155/2021/5581806Comparative Study on Heart Disease Prediction Using Feature Selection Techniques on Classification Algorithms doi 10 1155 2021 5581806
3. PERBANDINGAN METODE ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBORS UNTUK KLASIFIKASI PENYAKIT STROKE... doi.org/10.36040/jati.v7i1.6367PERBANDINGAN METODE ALGORITMA NAyaVE BAYES DAN K NEAREST NEIGHBORS UNTUK KLASIFIKASI PENYAKIT STROKE doi 10 36040 jati v7i1 6367

Metadata

File size	427.2 KB
Pages	6
DMCA	Report