Jurnal Sistem Komputer dan Kecerdasan Buatan Volume Vi Nomor 3 Mei 2025 Optimasi Hyperparameter Ensemble Learning untuk Prediksi Penyakit Liver Berdasarkan Data Pasien Agung Baitul Hikmah Universitas Bina Sarana Informatika.
Jl.
Kramat Raya No.
Kwitang.
Kec.
Senen.
DKI Jakarta abl@bsi.
Diterima : 25 April 2025 Disetujui : 26 Mei 2025 AbstractAiPenyakit 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 F1score.
Hasil penelitian menunjukkan bahwa Extra Trees Classifier memiliki performa terbaik, dengan akurasi sebesar 73.
AUC 76.
82%, recall 89.
82%, precision 77.
22%, dan F1-score 82.
Model ini memiliki kemampuan yang sangat baik dalam mengidentifikasi pasien liver .
ecall tingg.
, 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 AUCROC mengkonfirmasi bahwa model ini cukup andal dalam membedakan antara pasien liver dan nonliver, dengan nilai macro-average AUC sebesar 0.
81 dan micro-average AUC 0.
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.
Keywords Ai Penyakit Liver.
Ensemble Learning.
Extra Tree Classification.
Machine Learning.
Prediksi.
PENDAHULUAN
Penyakit liver merupakan salah satu masalah kesehatan global yang memiliki dampak signifikan terhadap kualitas hidup masyarakat .
, .
Penyakit liver, yang meliputi berbagai jenis gangguan pada organ hati seperti hepatitis, sirosis, dan kanker hati, merupakan salah satu penyebab utama kematian di seluruh dunia .
Organ hati memiliki peran vital dalam tubuh manusia, seperti dalam proses detoksifikasi, metabolisme, dan produksi protein penting .
, .
Gangguan pada fungsi hati dapat berakibat fatal jika tidak segera didiagnosis dan ditangani dengan baik .
Di Indonesia, kasus penyakit liver semakin meningkat, terutama pada individu yang terpapar faktor risiko seperti infeksi virus hepatitis, konsumsi alkohol berlebih, serta pola makan yang tidak sehat .
Oleh karena itu, deteksi dini penyakit liver sangat penting untuk mencegah komplikasi yang lebih serius .
Proses diagnosis penyakit liver seringkali melibatkan serangkaian pemeriksaan medis yang kompleks dan memerlukan keahlian khusus dari tenaga medis, seperti tes darah, biopsi hati, dan pencitraan medis .
Selain memakan waktu, prosedur ini juga dapat meningkatkan risiko keterlambatan diagnosis dan pengobatan, karena hasil diagnosis sangat bergantung pada pengalaman dan keahlian tenaga medis .
, .
Oleh karena itu, diperlukan sistem yang lebih objektif dan efisien untuk mendukung proses diagnosis penyakit liver .
Salah satu Agung Baitul Hikmah penggunaan teknologi kecerdasan buatan, khususnya data mining dan machine learning, yang dapat meningkatkan akurasi dan efisiensi dalam diagnosis penyakit liver .
Algoritma machine learning dapat membantu menganalisis data pasien dan mendeteksi pola yang mungkin tidak dapat ditemukan oleh tenaga medis secara manual .
Di antara berbagai algoritma yang ada, ensemble learning telah terbukti memberikan hasil yang lebih akurat dalam berbagai masalah prediksi.
Teknik ensemble menggabungkan hasil dari beberapa model pembelajaran untuk menghasilkan prediksi yang lebih baik dibandingkan dengan model tunggal .
, .
Metode ini mengurangi variansi dan bias, serta dapat mengoptimalkan hasil prediksi dalam kondisi yang kompleks, seperti pada data medis yang sering kali memiliki ketidakpastian dan ketidaksempurnaan .
II.
PENELITIAN TERKAIT
Penelitian tentang algoritma ensemble, seperti Random Forest.
Gradient Boosting, dan AdaBoost, telah digunakan dalam berbagai aplikasi medis, termasuk prediksi penyakit jantung, kanker, dan diabetes .
Keunggulan dari algoritma ini adalah kemampuannya untuk bekerja dengan berbagai jenis data dan menangani kompleksitas yang ada .
Pada penelitian ini, penulis akan menerapkan teknik ensemble learning untuk memprediksi penyakit liver berdasarkan data pasien yang meliputi berbagai fitur seperti usia, jenis kelamin, riwayat penyakit, serta hasil tes medis.
Diharapkan dengan menggunakan pendekatan ini, dapat diperoleh model yang akurat dalam memprediksi kemungkinan seorang pasien menderita penyakit Penelitian yang mengkaji penggunaan algoritma supervised learning dalam klasifikasi penyakit liver membahas berbagai metode klasifikasi, termasuk Nayve Bayes.
K-Nearest Neighbors (KNN).
Decision Tree, dan Neural Network, yang diterapkan pada dataset Indian Liver Patient Dataset (ILPD) dari UCI Machine Learning Repository .
Hasil penelitian menunjukkan bahwa algorima Decision Tree mencapai akurasi terbaik.
Selanjutnya penelitian oleh .
studi kasus liver ini menggunakan model KNN untuk memprediksi apakah seorang pasien menderita penyakit liver atau tidak.
Penelitian ini mencatat bahwa KNN dapat terpengaruh oleh dimensi data yang tinggi dan noise dalam data, yang dapat mempengaruhi kinerja model.
Oleh karena itu, penting untuk melakukan pemilihan parameter dengan hati-hati, seperti nilai k, untuk meningkatkan akurasi.
Perbaikan dari penelitian sebelumnya dilakukan oleh .
dengan menerapkan salah satu algoritma ensemble learning yaitu random forest.
Hasil penelitian menunjukkan bahwa Random Forest memberikan hasil yang cukup baik dalam memprediksi penyakit liver dengan akurasi yang Penelitian ini juga menggarisbawahi keunggulan Random Forest dalam menangani data yang kompleks dan tidak seimbang, seperti dataset penyakit liver yang sering kali memiliki banyak data yang tidak seimbang.
Meskipun banyak penelitian yang telah menggunakan machine learning untuk prediksi penyakit liver, sebagian besar fokus pada penggunaan algoritma tunggal tanpa eksplorasi yang mendalam terhadap algoritma ensemble.
Berdasarkan penggunaan ensemble methods dalam prediksi berbagai penyakit menunjukkan potensi untuk menggabungkan keunggulan beberapa algoritma.
Sebagai .
, menunjukkan bahwa algoritma ensemble dapat mengurangi varians dan bias dalam model prediksi, yang memungkinkan akurasi yang lebih tinggi dalam diagnosis penyakit.
Namun, penelitian yang secara spesifik mengoptimalkan penggunaan algoritma ensemble untuk prediksi penyakit liver masih relative .
Oleh karena itu, penelitian ini bertujuan untuk mengeksplorasi beberapa algoritma ensemble dalam prediksi penyakit liver, serta membandingkan kinerja masing-masing model dengan pendekatan yang ada sebelumnya.
Pemilihan algoritma ensemble didasarkan pada kemampuannya dalam mengurangi bias dan Jurnal Sistem Komputer dan Kecerdasan Buatan Volume Vi Nomor 3 Mei 2025 varians, serta meningkatkan generalisasi model yang menjadi dasar penting dalam prediksi penyakit medis .
Hasil dari penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem prediksi penyakit liver yang lebih cepat dan akurat serta memberikan sumber referensi bagi penerapan algoritma ensemble dalam dunia medis, sehingga dapat digunakan sebagai alat bantu bagi tenaga medis dalam proses diagnosis.
METODE PENELITIAN
Dalam penelitian ini, digunakan metodologi CRISP-DM (Cross-Industry Standard Process for Data Minin.
sebagai pendekatan yang umum dalam menyelesaikan masalah bisnis dan penelitian .
Metodologi ini terdiri dari enam tahapan yang saling terhubung, yaitu Business Understanding.
Data Understanding.
Data Preparation.
Modelling.
Evaluation, dan Deployment .
Setiap tahapan dalam CRISPDM memiliki peran penting yang mendukung proses analisis data, mulai dari pemahaman terhadap tujuan bisnis hingga penerapan model yang dihasilkan .
Alur CRISP-DM digambarkan pada Gambar 1.
Business Understanding Tahap ini bertujuan untuk memahami permasalahan yang akan diselesaikan dan menentukan tujuan penelitian.
Penyakit liver merupakan masalah kesehatan serius yang membutuhkan metode deteksi dini yang lebih Oleh karena itu, penelitian ini bertujuan untuk menerapkan metode ensemble learning guna meningkatkan akurasi prediksi penyakit liver berdasarkan data pasien.
Model yang dikembangkan diharapkan dapat membantu tenaga medis dalam mengambil keputusan yang lebih cepat dan akurat .
Data Understanding Setelah memahami permasalahan, langkah memahami data pasien yang akan digunakan.
Dataset yang digunakan mencakup fitur-fitur seperti usia, kadar enzim hati (SGPT.
SGOT), kadar albumin, total protein, serta indikator lain yang relevan dengan kondisi kesehatan liver.
Pada tahap ini, dilakukan eksplorasi data untuk memahami distribusi nilai, mengidentifikasi data yang hilang .
issing value.
, serta melihat korelasi antara variabel yang ada dalam dataset.
Data Preprocessing Gambar 1.
Metode CRISP-DM Pada gambar 1 menunjukan proses yang sistematis ini memungkinkan penelitian untuk menghasilkan solusi yang akurat dan dapat diandalkan .
Dalam penelitian ini.
CRISP-DM (Cross Industry Standard Process for Data Minin.
digunakan sebagai metodologi untuk mengembangkan model prediksi penyakit liver menggunakan algoritma ensemble learning.
Tahap ini berfokus pada persiapan data agar dapat digunakan dalam pemodelan.
Data yang telah dikumpulkan akan dibersihkan dengan menghapus atau menangani nilai yang hilang dan mempengaruhi hasil prediksi.
Selanjutnya, proses normalisasi atau standardisasi dilakukan agar skala data menjadi seragam.
Data juga akan dibagi menjadi training set dan testing set untuk memastikan model yang dibangun dapat dievaluasi dengan baik.
Modeling Pada tahap ini, model ensemble learning diterapkan untuk membangun sistem prediksi penyakit liver.
Algoritma yang digunakan meliputi Random Forest.
XGBoost.
AdaBoost dan Extra tree yang dikenal memiliki performa tinggi dalam klasifikasi.
Model akan diuji dengan berbagai parameter untuk menentukan Agung Baitul Hikmah kombinasi terbaik yang memberikan hasil paling .
Random Forest Random Forest bekerja berdasarkan menggabungkan multiple decision trees untuk menghasilkan prediksi yang lebih akurat dan stabil .
Secara matematis, proses dalam Random Forest untuk menetukan prediksi akhir diuraikan pada persamaan 1.
= ycoycuyccyce (Ea1.
cU).
Ea2 .
cU), .
EaycN.
cU)2 .
adalah Prediksi Akhir Ea1.
cU) adalah pohon ke-i .
XGBoost XGBoost (Extreme Gradient Boostin.
adalah algoritma yang digunakan dalam tugas klasifikasi untuk membangun sekumpulan decision trees yang diperbarui secara iteratif untuk meminimalkan kesalahan prediksi .
Algoritma ini sangat populer karena kecepatan, menangani dataset besar dengan fitur yang .
Persamaan XGBoost Klasifikasi.
Extra Trees (Extremely Randomized Tree.
adalah varian dari Random Forest yang membangun sekumpulan decision trees untuk tugas klasifikasi dan regresi .
Berbeda dengan Random Forest.
Extra Trees memilih fitur dan nilai split secara acak, tanpa mencari pemisahan terbaik berdasarkan informasi gain atau Gini impurity .
= ycoycuyccyce CEa1.
Ea2 .
, .
EaycN.
F .
= prediksi akhir dari model (Ea1.
Ea2 .
, .
EaycN.
2, adalah prediksi dari masing-masing T model individu dalam Evaluation Setelah model dibuat, tahap evaluasi dilakukan untuk menilai kinerjanya.
Metrik yang digunakan mencakup akurasi, precision, recall.
F1-score, dan AUC-ROC, yang dapat mengukur sejauh mana model mampu memprediksi penyakit liver dengan benar.
Hasil evaluasi ini juga akan dibandingkan antara berbagai algoritma ensemble yang digunakan untuk menentukan model terbaik yang akan diterapkan.
Deployment ya.
c, ) = ("#$[.
Oe y.
Oe yc.
] .
y = label asli .
round trut.
, bernilai 0 atau 1 = probabilitas prediksi .
ilai antara 0 dan .
Adaboost AdaBoost (Adaptive Boostin.
adalah menggabungkan beberapa weak classifiers .
iasanya decision trees dengan depth = 1, disebut stump.
untuk membentuk model yang lebih kuat.
Setiap iterasi meningkatkan bobot pada sampel yang sulit diklasifikasikan .
, sehingga model lebih fokus pada kesalahan Persamaan Adaboost Klasifikasi.
= ycycnyciycu (Oc%&#$ yuyc .
Eayc.
) ya.
adalah label kelas akhir .
Extra Tree Jika model yang dikembangkan menunjukkan performa yang baik, tahap implementasi dapat Model dapat diterapkan dalam sistem pendukung keputusan medis untuk membantu dokter dalam menganalisis risiko penyakit liver berdasarkan data pasien.
Selain itu, interpretasi hasil model juga disiapkan agar dapat digunakan secara praktis oleh tenaga medis dalam proses IV.
HASIL DAN PEMBAHASAN
Pada bagian ini, hasil eksperimen terkait optimasi hyperparameter pada berbagai algoritma ensemble learning untuk prediksi penyakit liver berdasarkan data pasien akan dibahas secara Model yang diuji meliputi Random Forest.
XGBoost.
AdaBoost, dan Extra Trees Classifier, dengan evaluasi menggunakan metrik akurasi.
AUC, recall, precision, dan F1-score.
Jurnal Sistem Komputer dan Kecerdasan Buatan Volume Vi Nomor 3 Mei 2025 Optimasi hyperparameter dilakukan untuk meningkatkan performa masing-masing model dalam membedakan pasien dengan dan tanpa penyakit liver.
Analisis hasil dilakukan dengan membandingkan kinerja model sebelum dan sesudah optimasi, serta meninjau distribusi klasifikasi menggunakan confusion matrix dan kurva AUC-ROC.
Selain itu, pembahasan akan mencakup pengaruh masing-masing fitur dalam proses prediksi serta strategi yang dapat diterapkan untuk lebih meningkatkan performa Dataset Penelitian Pada penelitian ini dataset yang digunakan bersumber dari data sekunder dari Dataset Indian Liver Patient Dataset (ILPD) berisi 583 data pasien dengan 11 fitur, yang digunakan untuk memprediksi apakah seseorang menderita penyakit liver atau tidak.
Dataset ini terdiri dari berbagai atribut yang mencerminkan kondisi kesehatan pasien, termasuk usia, jenis kelamin, kadar bilirubin, protein, albumin, serta enzim hati seperti SGPT.
SGOT, dan alkaline phosphatase (ALP) .
Berikut adalah gambaran umum dari data pasien yang diteliti, tabel 1 mendeskripsikan dari atribut-atribut yang digunakan pada penelitian Tabel 1.
Gambaran umum dataset Kolom tot_bilirubin direct_bilirubin tot_proteins ag_ratio is_patient Deskripsi Usia pasien .
alam tahu.
Jenis kelamin pasien (Male/Femal.
Total kadar bilirubin dalam darah.
Kadar bilirubin langsung dalam darah.
Jumlah total protein dalam darah.
Konsentrasi albumin dalam darah.
Rasio albumin terhadap globulin dalam Serum Glutamate Pyruvate Transaminase (SGPT), enzim hati.
Serum Glutamic-Oxaloacetic Transaminase (SGOT), enzim hati.
Kadar alkaline phosphatase (ALP), enzim Label target: 1 untuk pasien liver, 2 untuk non-pasien.
Sample dataset penelitian dari beberapa pasien yang terindikasi liver atau tidak pada Gambar 2.
Gambar 2.
Sample dataset Pada Gambar 2 menampilkan data pasien yang digunakan untuk analisis penyakit liver.
Setiap baris mewakili satu individu dengan berbagai atribut kesehatan, termasuk usia, jenis kelamin, serta hasil uji laboratorium yang berkaitan dengan fungsi hati.
Data ini mencakup parameter biokimia seperti kadar bilirubin, protein total, albumin, dan rasio albuminglobulin, yang sering digunakan untuk mengevaluasi kondisi hati seseorang.
Selain itu, tabel juga mencantumkan enzim hati seperti SGPT.
SGOT, dan alkaline phosphatase, yang merupakan indikator penting dalam mendeteksi gangguan hati.
Kolom terakhir menunjukkan status pasien, di mana nilai 1 mengindikasikan apakah seseorang didiagnosis dengan penyakit liver atau nilai 2 tidak.
Preprocessing Dataset Langkah selanjutnya adalah melakukan preprocessing data untuk memastikan bahwa dataset siap digunakan dalam analisis atau Tahapan preprocessing ini mencakup beberapa langkah penting, antara lain.
A Menangani Nilai yang Hilang (Missing Value.
Dari hasil eksplorasi awal, ditemukan bahwa kolom alkphos .
lkaline phosphatas.
memiliki 4 nilai kosong.
Nilai ini perlu diimputasi menggunakan median atau mean agar tidak mengganggu proses analisis data.
A Mengonversi Data Kategori ke Format Numerik.
Kolom gender masih berbentuk teks (Male/Femal.
sehingga perlu dikonversi menjadi angka, misalnya 1 untuk Male dan 0 untuk Female agar dapat digunakan dalam model machine learning Agung Baitul Hikmah A Mengubah Label Target menjadi Biner.
Kolom is_patient memiliki nilai 1 dan 2, di mana 1 menunjukkan pasien liver dan 2 menunjukkan non-pasien.
Agar lebih mudah digunakan dalam klasifikasi, label ini perlu diubah menjadi 0 .
on-pasie.
dan 1 .
asien live.
A Menangani Outlier dan Distribusi Data.
Beberapa fitur seperti total bilirubin, albumin, dan ag_ratio memiliki nilai ekstrem yang jauh dari rata-rata.
Outlier ini dapat ditangani dengan transformasi logaritmik atau normalisasi agar tidak mendominasi model.
A Pembagian Dataset.
Dataset akan dibagi menjadi training set .
%) dan testing set .
%) agar model dapat diuji dengan data yang belum pernah dilihat sebelumnya .
Hasil dari tahapan ditampilkan pada Gambar 3.
Pemodelan Pemodelan dilakukan pada penelitian ini untuk memilih model ensemble mana yang terbaik untuk memprediksi keakuratan terhadap penyakit liver berdasarkan data pasien.
Beberapa evaluasi model yang digunakan pada penelitian ini yaitu:
A Akurasi.
Akurasi mengukur persentase prediksi yang benar dibandingkan dengan memberikan gambaran umum tentang kinerja model dalam mengklasifikasikan data secara keseluruhan .
Persamaan Akurasi.
%'( %*
yaycoycycycaycycn = %'( '( *(%* A Presisi.
Presisi menilai seberapa tepat model dalam memprediksi kelas positif dengan melihat proporsi prediksi positif yang benar, yang sangat penting dalam kasus di mana kesalahan klasifikasi positif dapat berdampak besar .
Persamaan Presisi.
ycEycyceycycnycycn = %'( ' A Gambar 3.
Hasil Preprocessing Data Pada Gambar 3 Dataset pasien telah diproses agar siap digunakan dalam model machine Gender telah dikonversi ke numerik .
untuk Male, 0 untuk Femal.
, dan is_patient telah diubah menjadi biner .
untuk pasien liver, 0 untuk non-pasie.
Nilai yang hilang telah diisi untuk memastikan kelengkapan data, sementara fitur seperti bilirubin, protein, enzim hati, dan alkphos telah dinormalisasi agar memiliki skala yang seragam.
Outlier juga telah ditangani untuk menghindari pengaruh negatif pada model.
Dengan perbaikan ini, dataset siap digunakan dalam model Random Forest.
XGBoost.
AdaBoost, dan Extra Trees untuk memprediksi penyakit liver dengan lebih akurat.
F1-Score.
F1-Score merupakan rata-rata dari precision dan recall, menjadi metrik ketidakseimbangan data, karena dapat memberikan keseimbangan antara kedua metrik tersebut, memastikan bahwa model tidak hanya fokus pada salah satu aspek .
Persamaan F1 Score.
ya1 ycIycaycuycyce = A .
Recall.
Recall menunjukkan kemampuan model dalam menangkap seluruh sampel positif dengan benar, di mana nilai yang tinggi menunjukkan bahwa model jarang sebenarnya .
Persamaan recall.
ycIyceycaycaycoyco = %'( * A .
,O'.
/0"0"O1/2344
/0"0".
/2344
AUC/ROC.
AUC/ROC
kemampuan model dalam membedakan antara kelas positif dan negatif dengan Jurnal Sistem Komputer dan Kecerdasan Buatan Volume Vi Nomor 3 Mei 2025 menghitung luas area di bawah kurva ROC, yang memplot true positive rate .
terhadap false positive (FP) rate pada berbagai threshold .
Persamaan AUC/ROC.
Nilai AUC mendekati 1 menunjukkan model yang sangat baik dalam membedakan kelas, sementara nilai 5 menunjukkan performa model kurang baik .
Optimasi Hyperparameter Pada pemodelan penelitian ini model-model meningkatkan akurasi dari prediksi penyakit liver berdasarkan fitur medis pasien dengan menggunakan 10 cross validation dengan menggunakan hyperparameter tunning dan tanpa menggunakan hyperparameter.
Tabel 3.
Optimasi model ensemble Hasil evaluasi dari model yang digunakan pada penelitian ini ditampilkan pada Tabel 2.
Tabel 2.
Evaluasi model ensemble learning Model Extra Trees Boost Random Forest Ada Boost Accuracy AUC Recall Prec.
Tabel 2 menunjukkan perbandingan performa empat model ensemble learning untuk prediksi penyakit liver, berdasarkan akurasi.
AUC, recall, precision, dan F1-score.
Extra Trees Classifier (ET) memiliki performa terbaik dengan akurasi tertinggi .
61%).
AUC tertinggi .
82%),
serta recall .
82%) dan F1-score .
93%) yang paling baik, menunjukkan bahwa model ini mampu menangkap lebih banyak kasus positif dengan akurasi yang tinggi.
XGBoost juga menunjukkan performa yang kuat, terutama dalam precision .
64%), yang berarti model ini lebih baik dalam mengurangi false positives.
Random Forest (RF) memiliki performa yang seimbang, tetapi sedikit di bawah ET dan XGBoost.
Sementara itu.
AdaBoost memiliki performa terendah dalam semua metrik, terutama dalam akurasi .
67%) dan AUC .
16%),
menunjukkan bahwa model ini kurang optimal Secara keseluruhan.
Extra Trees dan XGBoost merupakan pilihan terbaik untuk model prediksi penyakit liver dalam penelitian ini.
Model Random Forest Random Forest Hyperparameter XGBoost XGBoost Hyperparameter Adabost Adabost Hyperparameter Extra Tree Extra Tree Hyperparameter Akurasi Dari Tabel 3 dengan menambahkan optimasi hyperparameter tunning pada masing-masing model menunjukkan perbandingan akurasi berbagai model ensemble learning sebelum dan sesudah tuning hyperparameter dalam prediksi Secara akurasi pada sebagian besar model.
Random Forest meningkat dari 71.
46% menjadi 72.
sedangkan XGBoost mengalami kenaikan dari 66% menjadi 73.
17%, menunjukkan bahwa model ini mendapatkan manfaat dari optimasi Sebaliknya.
AdaBoost mengalami penurunan dari 71.
46% menjadi 68.
67%, yang kurangnya parameter yang optimal.
Model Extra Trees memiliki akurasi tertinggi, yaitu 73.
baik sebelum maupun sesudah tuning, menunjukkan kestabilan dalam performa.
Secara keseluruhan.
XGBoost dan Extra Trees menjadi model dengan performa terbaik.
Sementara itu.
Random Forest menunjukkan kinerja yang tetap Analisis Hasil Pemodelan Berdasarkan hasil evaluasi.
Extra Trees Classifier memiliki performa terbaik, dengan akurasi tertinggi .
61%).
AUC tertinggi .
82%), serta F1-score tertinggi .
93%).
Agung Baitul Hikmah Model ini menunjukkan keseimbangan yang baik antara precision dan recall, sehingga mampu menangkap lebih banyak kasus positif dengan tingkat kesalahan yang rendah.
XGBoost juga menunjukkan performa yang kompetitif, terutama dengan precision tertinggi .
64%),
yang mengindikasikan bahwa model ini lebih akurat dalam mengidentifikasi pasien liver.
Random Forest memiliki performa yang cukup baik, tetapi sedikit lebih rendah dibandingkan ET dan XGBoost.
AdaBoost memiliki performa terendah, dengan akurasi hanya 68.
67% dan AUC 69.
16%, yang menunjukkan bahwa model ini kurang optimal dalam menangani dataset yang digunakan.
Hasil ini menunjukkan bahwa Extra Trees dan XGBoost lebih unggul dalam menangani prediksi penyakit liver, kemungkinan karena kemampuannya dalam menangani variabilitas data dengan baik.
Random Forest juga memberikan hasil yang cukup stabil, sedangkan AdaBoost tidak bekerja dengan optimal karena lebih rentan terhadap outlier dan kesalahan Selanjutnya adalah melihat confusion matriks dari model terbaik yang didapatkan berdasarkan hasil penelitian ini yaitu model Extra Trees Classifikasi.
Confusion matrix digunakan untuk menganalisis performa klasifikasi lebih mendetail, dengan melihat jumlah prediksi yang benar dan salah untuk setiap kelas.
Matriks ini terdiri dari True Positive (TP).
False Positive (FP).
True Negative (TN), dan False Negative (FN).
Confusion matrix ditampilkan pada Gambar 4.
Berdasarkan hasil pada gambar 4 Hasil confusion matrix pada model Extra Trees Classifier menunjukkan bahwa model ini mampu mengklasifikasikan 75 sampel pasien liver dengan benar (True Positive.
, sementara terdapat 8 kasus pasien liver yang salah diklasifikasikan sebagai non-pasien (False Negative.
Hal ini mengindikasikan bahwa model memiliki recall yang tinggi, yang berarti teridentifikasi dengan baik.
Di sisi lain, model juga berhasil mengklasifikasikan 13 sampel nonpasien liver dengan benar (True Negative.
, tetapi terdapat 21 kasus non-pasien yang salah diklasifikasikan sebagai pasien liver (False Positive.
Kesalahan ini menunjukkan bahwa model cenderung lebih sensitif terhadap kasus positif, yang menyebabkan beberapa non-pasien liver dikategorikan sebagai pasien liver.
Secara keseluruhan, model memiliki kemampuan prediksi yang cukup baik, dengan keseimbangan antara recall yang tinggi dan precision yang cukup baik, meskipun masih terdapat false positives yang dapat dikurangi melalui penyesuaian threshold prediksi atau optimasi parameter model.
Selain melihat hasil confusion matrix pada pembahasan ini juga ditampilkan kurva AUC/ROC dari model terpilih pada Gambar 5.
Gambar 5.
Kurva AUC/ROC Gambar 4.
Confusion matrix Pada gambar 5 model Extra Trees Classifier memiliki AUC sebesar 0.
80 untuk masingmasing kelas, serta macro-average AUC 0.
Jurnal Sistem Komputer dan Kecerdasan Buatan Volume Vi Nomor 3 Mei 2025 dan micro-average AUC 0.
Nilai ini menunjukkan bahwa model cukup baik dalam memprediksi kedua kelas, dengan kemampuan membedakan pasien liver yang cukup tinggi.
KESIMPULAN
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 .
61%) dan AUC 76.
82%, serta memiliki keseimbangan optimal antara recall .
82%) dan precision .
22%).
Model ini memiliki kemampuan tinggi dalam mengidentifikasi pasien liver dan memberikan prediksi yang cukup 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 .
alse Untuk itu, saran untuk penelitian selanjutnya model ini masih dapat ditingkatkan hyperparameter yang lebih optimal, serta penggunaan dataset yang lebih besar dan DAFTAR PUSTAKA