PNCPNC

InfotekmesinInfotekmesin

Klasifikasi penyakit Telinga, Hidung, dan Tenggorokan (THT) penting dilakukan untuk membantu diagnosis lebih cepat dan akurat. Namun, hingga kini belum ada studi yang secara khusus membandingkan performa algoritma Naïve Bayes, Support Vector Machine (SVM), dan Random Forest dalam kasus penyakit THT. Penelitian ini bertujuan mengevaluasi dan membandingkan ketiga model klasifikasi tersebut dalam mengenali penyakit THT dengan atau tanpa komorbiditas. Data diperoleh dari rekam medis rumah sakit, diolah melalui pra-pemrosesan, seleksi fitur menggunakan ANOVA, serta penyeimbangan data dengan SMOTE. Hasil menunjukkan bahwa SVM memiliki kinerja terbaik (akurasi 59%), diikuti Random Forest (57%), dan Naïve Bayes (48%). SVM unggul karena konsistensi tinggi pada semua metrik evaluasi. Penelitian ini menyimpulkan bahwa pemilihan model klasifikasi sangat mempengaruhi akurasi diagnosis penyakit THT.

Dari ketiga model yang diuji, SVM terbukti sebagai model terbaik dengan akurasi 59%, diikuti Random Forest 57% dan Naïve Bayes 48%.SVM menunjukkan konsistensi tinggi pada semua metrik evaluasi, sementara Naïve Bayes menunjukkan performa terendah.Oleh karena itu, pemilihan algoritma klasifikasi sangat mempengaruhi akurasi diagnosis penyakit THT.

Pertimbangkan studi perbandingan menggunakan model deep learning, seperti CNN atau LSTM, untuk mengolah data gambar atau teks rekam medis guna menilai apakah arsitektur neural network dapat meningkatkan akurasi klasifikasi penyakit THT dibandingkan model tradisional. Selanjutnya, lakukan penelitian multi-label dengan menambahkan fitur klinis tambahan—misalnya nilai laboratorium, riwayat penyakit keluarga, dan parameter pencitraan—untuk memperkaya informasi diagnostik, sehingga model dapat menangani variabilitas tinggi pada kasus komorbiditas dan memberikan prediksi yang lebih akurat terhadap berbagai jenis penyakit THT. Akhirnya, evaluasi model dengan dataset yang lebih besar dan diakuisisi dari beberapa rumah sakit regional untuk menguji generalisasi dan kelestarian performa model, serta menentukan faktor-faktor mana yang paling berkontribusi terhadap keputusan diagnosis, sehingga dapat menurunkan tingkat kesalahan diagnostik dan meningkatkan kualitas layanan kesehatan.

  1. PENERAPAN MACHINE LEARNING DALAM PREDIKSI TINGKAT KASUS PENYAKIT DI INDONESIA | Journal of Information... jurnal.amikom.ac.id/index.php/joism/article/view/1136PENERAPAN MACHINE LEARNING DALAM PREDIKSI TINGKAT KASUS PENYAKIT DI INDONESIA Journal of Information jurnal amikom ac index php joism article view 1136
  2. Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru... journal.irpi.or.id/index.php/malcom/article/view/591Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru journal irpi index php malcom article view 591
  3. Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa | Jurnal Teknologi Informasi... doi.org/10.25126/jtiik.20241118074Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa Jurnal Teknologi Informasi doi 10 25126 jtiik 20241118074
Read online
File size575.02 KB
Pages9
DMCAReport

Related /

ads-block-test