Pengaruh Base Estimator Pada Algoritma Adaptive Boost Dalam Prediksi Penyakit Akut
Abstrak
Penyakit akut merupakan kondisi medis yang muncul secara tiba-tiba dan memerlukan penanganan cepat untuk mencegah komplikasi serius. Prediksi penyakit akut yang akurat menjadi tantangan dalam dunia medis, terutama dengan meningkatnya jumlah data pasien yang perlu dianalisis secara efisien. Penelitian ini bertujuan untuk mengevaluasi pengaruh berbagai jenis base estimator pada algoritma Adaptive Boost dalam meningkatkan akurasi prediksi penyakit akut. Metode yang digunakan dalam penelitian ini adalah Adaptive Boost dengan tiga jenis base estimator, yaitu Decision Tree, Support Vector Classifier (SVC), dan Logistic Regression. Data yang digunakan berasal dari rekam medis pasien di Rumah Sakit Umum Daerah Mamuju, dengan jumlah sampel sebanyak 1004 data pasien. Data mengalami proses preprocessing, termasuk cleaning, transformation, dan feature selection. Model yang dibangun kemudian dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Logistic Regression sebagai base estimator menghasilkan akurasi tertinggi sebesar 93%, diikuti oleh Decision Tree dan SVC, masing-masing dengan akurasi 89%. Model Logistic Regression juga memiliki keseimbangan terbaik antara precision dan recall, terutama pada kelas penyakit mayoritas seperti Gastroenteritis, ISPA, dan ISK. Namun, model masih perlu ditingkatkan untuk menangani kelas dengan jumlah sampel kecil, seperti DBD dan Thypoid. Dari hasil penelitian ini, dapat disimpulkan bahwa pemilihan base estimator berpengaruh terhadap performa Adaptive Boost dalam memprediksi penyakit akut. Untuk penelitian selanjutnya, disarankan untuk menggunakan dataset yang lebih beragam serta mengeksplorasi metode machine learning lainnya, seperti Random Forest dan Deep Learning, guna meningkatkan akurasi prediksi.Referensi
Andhika, L. D., Cahyani, D. R., Saputra, D., & Herawati, T. (2023). Analisis Sentimen Kosumen KFC Berdasarkan Pendekatan Naive Bayes dan Ada Boost Berbasis Data Twitter. 3(1), 55–61.
Arifianto, J., & Muhimmah, I. (2021). Aplikasi Web Pendeteksi Jerawat Pada Wajah Menggunakan Algoritma Deep Learning dengan TensorFlow. Journal Automata, 21–29.
Aziz, M. I., Fanani, A. Z., & Affandy, A. (2023). Analisis Metode Ensemble Pada Klasifikasi Penyakit Jantung Berbasis Decision Tree. Jurnal Media Informatika Budidarma, 7(1), 1–12. https://doi.org/10.30865/mib.v7i1.5169
Cendani, L. M., & Wibowo, A. (2022). Perbandingan Metode Ensemble Learning pada Klasifikasi Penyakit Diabetes. In Jurnal Masyarakat Informatika (Vol. 13, Issue 1, pp. 33–44). https://doi.org/10.14710/jmasif.13.1.42912
Febianto, R. T., Suranti, D., & Alinse, R. T. (2024). Penerapan Algoritma Adaboost Dalam Mengetahui Pola Pengguna Kb Di Puskesmas Tanjung Harapan. Journal of Science and Social Research, 4307(1), 145–155. http://jurnal.goretanpena.com/index.php/JSSR
Hayadi, B. H., & Damanik, A. R. (2022). Pendekatan Machine Learning Menggunakan Algoritma C4 . 5 Berbasis Pso Dalam Analisa. Jurnal Informatika Dan Teknik Elektro Terapan, 10(3).
Irma Prianti, A. (2020). Pebandingan Metode K-Nearest Neighbor dan Adaptive Boosting pada Kasus Klasifikasi Multi Kelas. J Statistika: Jurnal Ilmiah Teori Dan Aplikasi Statistika, 13(1), 39–47. https://doi.org/10.36456/jstat.vol13.no1.a3269
Jan Melvin Ayu Soraya Dachi, & Pardomuan Sitompul. (2023). Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit. Jurnal Riset Rumpun Matematika Dan Ilmu Pengetahuan Alam, 2(2), 87–103. https://doi.org/10.55606/jurrimipa.v2i2.1470
Matin, I. M. M., Agustin, M., Sugiarto, B., & Asri, A. N. (2023). Deteksi Malware Menggunakan Machine Learning Dengan Metode Ensemble. Prosiding Sains Nasional Dan Teknologi, 13(1), 265. https://doi.org/10.36499/psnst.v13i1.9224
Sanjaya, J., Renata, E., Budiman, V. E., Anderson, F., & Ayub, M. (2020). Prediksi Kelalaian Pinjaman Bank Menggunakan Random Forest dan Adaptive Boosting. Jurnal Teknik Informatika Dan Sistem Informasi, 6(1), 50–60. https://doi.org/10.28932/jutisi.v6i1.2313
Siddik Hasibuan, M., & Harahap, H. (2024). Penerapan Metode Haar-Like Feature Dan Algoritma Adaboost Dalam Penentuan Klasifikasi Hama Tanaman Kopi. Journal of Science and Social Research, 4307(1), 87–93. http://jurnal.goretanpena.com/index.php/JSSR
Desiani, A., Maiyanti, I., Suprihatin, B., Kurniawan, R., Adzra, D., Nabila, A.,
Matematika, J., Matematika, F., & Alam, I. P. (2023). IMPLEMENTASI
ALGORITMA ADAPTIVE BOOSTING (ADABOOST) DAN SINGLE
LAYER PERCEPTRON (SLP) PADA KLASIFIKASI PENYAKIT
HEPATITIS-C Implementation of Adaptive Boosting (Adaboost) and Single
Layer Perceptron (SLP) Algorithm in Hepatitis-C Disease Classification.
ScientiCO : Computer Science and Informatics Journal, 6(2)
Diterbitkan
Versi
- 2025-10-19 (2)
- 2025-10-19 (1)
