Publisher

TAUTAU

Journal Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan)Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Abstract

Penyakit liver merupakan masalah kesehatan serius yang memerlukan deteksi dini guna meningkatkan peluang pengobatan yang efektif. Penelitian ini bertujuan untuk mengembangkan model prediksi penyakit liver berdasarkan data pasien dengan menggunakan teknik ensemble learning, yaitu Random Forest, XGBoost, AdaBoost, dan Extra Trees Classifier. Dataset yang digunakan mencakup berbagai parameter medis pasien yang berkontribusi terhadap diagnosis penyakit liver. Evaluasi model dilakukan menggunakan metrik akurasi, AUC, recall, precision, dan F1-score. Hasil penelitian menunjukkan bahwa Extra Trees Classifier memiliki performa terbaik, dengan akurasi sebesar 73.61%, AUC 76.82%, recall 89.82%, precision 77.22%, dan F1-score 82.93%. Model ini memiliki kemampuan yang sangat baik dalam mengidentifikasi pasien liver (recall tinggi), serta keseimbangan antara precision dan recall yang optimal. Selain itu, analisis menggunakan confusion matrix menunjukkan bahwa model ini mampu memprediksi sebagian besar kasus positif dengan benar, meskipun masih terdapat beberapa kesalahan klasifikasi pada pasien non-liver. Kurva AUC-ROC mengkonfirmasi bahwa model ini cukup andal dalam membedakan antara pasien liver dan non-liver, dengan nilai macro-average AUC sebesar 0.81 dan micro-average AUC 0.85. Berdasarkan hasil ini, Extra Trees Classifier direkomendasikan sebagai model terbaik untuk sistem pendukung keputusan dalam diagnosis penyakit liver.

Conclusion

Penelitian ini telah mengevaluasi performa beberapa model ensemble learning yaitu Random Forest, XGBoost, AdaBoost dan Extra Trees Classifier dalam memprediksi penyakit liver berdasarkan data pasien.Dari hasil eksperimen, Extra Trees Classifier terbukti menjadi model terbaik, dengan akurasi tertinggi (73.82%, serta memiliki keseimbangan optimal antara recall (89.Model ini memiliki kemampuan tinggi dalam mengidentifikasi pasien liver dan memberikan prediksi yang andal berdasarkan analisis confusion matrix dan kurva ROC.Meskipun performa model sudah cukup baik, masih terdapat beberapa kesalahan klasifikasi, terutama pada pasien non-liver yang diklasifikasikan sebagai pasien liver (false positives).Untuk itu, saran untuk penelitian selanjutnya adalah meningkatkan performa model dengan balancing data, penggunaan dataset yang lebih besar dan optimal, serta teknik tuning hyperparameter yang lebih variatif.

Future Research

Untuk meningkatkan performa model prediksi penyakit liver, disarankan untuk melakukan balancing data dengan teknik yang lebih optimal, seperti menggunakan metode SMOTE atau undersampling. Selain itu, penggunaan dataset yang lebih besar dan beragam dapat meningkatkan akurasi klasifikasi. Terakhir, teknik tuning hyperparameter yang lebih variatif, seperti menggunakan grid search atau random search, dapat membantu menemukan kombinasi parameter terbaik untuk model ensemble learning.

References

1. ANALISA 4 ALGORITMA DALAM KLASIFIKASI LIVER MENGGUNAKAN RAPIDMINER | Jurnal Informatika Polinema. analisa... jurnal.polinema.ac.id/index.php/jip/article/view/2547ANALISA 4 ALGORITMA DALAM KLASIFIKASI LIVER MENGGUNAKAN RAPIDMINER Jurnal Informatika Polinema analisa jurnal polinema ac index php jip article view 2547
2. Predicting Stages of Liver Cirrhosis Using Data Mining and Machine Learning Techniques | Informatica.... informatica.si/index.php/informatica/article/view/6752Predicting Stages of Liver Cirrhosis Using Data Mining and Machine Learning Techniques Informatica informatica si index php informatica article view 6752
3. Liver Disease Classification Using the Elbow Method to Determine Optimal K in the K-Nearest Neighbor... doi.org/10.32736/sisfokom.v12i2.1643Liver Disease Classification Using the Elbow Method to Determine Optimal K in the K Nearest Neighbor doi 10 32736 sisfokom v12i2 1643
4. Perbandingan Hasil Prediksi Diagnosis pada Indian Liver Patient Dataset (ILPD) dengan Teknik Supervised... journal.ithb.ac.id/index.php/telematika/article/view/402Perbandingan Hasil Prediksi Diagnosis pada Indian Liver Patient Dataset ILPD dengan Teknik Supervised journal ithb ac index php telematika article view 402

Metadata

File size	633.91 KB
Pages	10
DMCA	Report