UMBUMB

Jurnal Ilmiah FIFOJurnal Ilmiah FIFO

Kanker paru-paru adalah salah satu penyakit paling mematikan di dunia, menyebabkan lebih dari 1,76 juta kematian setiap tahunnya menurut WHO pada tahun 2020. Deteksi dini menjadi krusial dalam meningkatkan prognosis pasien, namun sering kali menantang karena gejala awal yang tidak spesifik. Dalam beberapa tahun terakhir, teknologi medis dan komputasi telah menghadirkan peluang baru dengan memanfaatkan pembelajaran mesin, terutama deep learning, untuk meningkatkan diagnosa kanker paru-paru. Studi ini mengevaluasi beberapa algoritma Machine Learning seperti K-Nearest Neighbors (k-NN), Logistic Regression, Naïve Bayes, Support Vector Machine (SVM), dan Neural Network berdasarkan data klinis untuk memprediksi kanker paru-paru. Hasil evaluasi menunjukkan bahwa k-NN dan Neural Network memiliki performa terbaik dengan akurasi mencapai 0.92, sementara Naïve Bayes dan Neural Network menunjukkan presisi tertinggi untuk kelas kanker paru-paru (0.94). Logistic Regression dan SVM juga memberikan hasil yang baik, meskipun dengan variasi dalam presisi dan recall untuk kedua kelas. Penelitian ini memberikan wawasan penting untuk pengembangan sistem pendukung keputusan di bidang medis, dengan potensi untuk meningkatkan diagnosis dini, pengelolaan, dan prognosis kanker paru-paru secara efektif, serta mengurangi beban penyakit dan meningkatkan kualitas hidup pasien di masa depan. Implementasi pembelajaran mesin di sektor kesehatan menunjukkan bahwa teknologi ini dapat menjadi alat yang sangat berharga dalam mendeteksi dan mengelola penyakit serius seperti kanker paru-paru.

Hasil evaluasi model menunjukkan bahwa K-Nearest Neighbors (k-NN) dan Neural Network menonjol sebagai algoritma dengan performa terbaik dalam memprediksi kanker paru-paru, dengan tingkat akurasi mencapai 0.Kedua algoritma ini juga memiliki presisi tertinggi untuk kelas kanker paru-paru, mencapai 0.94, menandakan kemampuan yang sangat baik dalam mengenali kasus kanker paru-paru secara akurat.Di samping itu, K-Nearest Neighbors juga mencatat presisi tertinggi untuk kelas normal (0.89), sementara Logistic Regression, meskipun memiliki akurasi yang baik (0.90), menunjukkan presisi yang sedikit lebih rendah untuk kelas normal (0.Secara keseluruhan, K-Nearest Neighbors juga mencatat recall tertinggi untuk kelas kanker paru-paru (0.98), menunjukkan kemampuan untuk mendeteksi sebagian besar kasus kanker paru-paru yang terjadi.Evaluasi ini menggambarkan variasi dalam performa antar algoritma dalam prediksi kanker paru-paru, memberikan pemahaman yang penting bagi aplikasi klinis dan penelitian.

Penelitian lanjutan dapat menggabungkan data genomik dengan data klinis untuk meningkatkan akurasi prediksi kanker paru-paru. Selain itu, perlu dilakukan eksplorasi algoritma pembelajaran mesin yang lebih kompleks, seperti ensemble methods, untuk membandingkan performanya dengan algoritma yang telah digunakan. Terakhir, validasi model dengan dataset yang lebih besar dan beragam dari populasi global dapat membantu mengurangi bias dan meningkatkan generalisasi model dalam konteks klinis.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/s11042-023-16349-yClient Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 s11042 023 16349 y
  2. Diagnosis Kanker Paru-paru Berbasis Data Klinis: Evaluasi Performa Algoritma Pembelajaran Mesin | Jurnal... publikasi.mercubuana.ac.id/index.php/fifo/article/view/38180Diagnosis Kanker Paru paru Berbasis Data Klinis Evaluasi Performa Algoritma Pembelajaran Mesin Jurnal publikasi mercubuana ac index php fifo article view 38180
  3. Validasi Efektivitas Logistic Regression untuk Diagnosa Penyakit Jantung melalui Pendekatan Machine Learning... doi.org/10.22441/fifo.2024.v16i2.006Validasi Efektivitas Logistic Regression untuk Diagnosa Penyakit Jantung melalui Pendekatan Machine Learning doi 10 22441 fifo 2024 v16i2 006
  4. Prediksi Flight Delay Berbasis Algoritma Neural Network | Journal of Informatics, Electrical and Electronics... doi.org/10.47065/jieee.v2i1.429Prediksi Flight Delay Berbasis Algoritma Neural Network Journal of Informatics Electrical and Electronics doi 10 47065 jieee v2i1 429
Read online
File size515.58 KB
Pages10
DMCAReport

Related /

ads-block-test