Optimasi Hyperparameter Ensemble Learning untuk Prediksi Penyakit Liver Berdasarkan Data Pasien

Abstract

Penyakit liver merupakan salah satu 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. Untuk meningkatkan performa model di masa depan, diperlukan penggunaan dataset yang lebih besar, optimasi hyperparameter lebih lanjut, serta eksplorasi teknik balancing data untuk meningkatkan akurasi klasifikasi.