Penerapan Random Forest Untuk Prediksi Virus Hepatitis C
Abstract
Pada penelitian ini bertujuan untuk memprediksi infeksi virus Hepatitis C (HCV) berdasarkan pemeriksaan darah menggunakan algoritma Random Forest. Data diperoleh dari UCI Machine Learning Repository dan mencakup atribut medis seperti usia, jenis kelamin, kadar albumin, alkaline phosphatase, alanine aminotransferase, dan lainnya. Proses penelitian meliputi pengumpulan data, pra-pemrosesan, pemilihan fitur, pemodelan, dan evaluasi kinerja model dengan metode 10-fold cross-validation menggunakan perangkat lunak WEKA. Hasil menunjukkan bahwa algoritma Random Forest memberikan akurasi tinggi dalam mendeteksi HCV, dengan akurasi 91.87%, presisi 91.20%, recall 93.50%, dan F1-score 92.34%, lebih baik dibandingkan Logistic Regression dan Naïve Bayes. Penelitian ini menyimpulkan bahwa Random Forest efektif untuk prediksi infeksi HCV dan dapat membantu dalam deteksi dini serta penanganan penyakit ini, sekaligus menjadi acuan untuk penelitian lebih lanjut di bidang prediksi penyakit menggunakan machine learning.
References
M. F. R. Aditya, N. Lutvi, and U. Indahyanti, “Prediksi Penyakit Hipertensi Menggunakan Metode Decison Tree dan Random Forest,” J. Ilm. Komputasi, vol. 23, no. 1, pp. 9–16, 2024, doi: 10.32409/jikstik.23.1.3503.
N. Aini, M. Arif, I. T. Agustin, and Z. B. Toyibah, “Implementasi Algoritma Random Forest untuk Klasifikasi Bidang MSIB di Prodi Pendidikan Informatika,”J.Inform.,vol. 11, no. 1, pp. 11–16, 2024, doi: 10.31294/inf.v11i1.20637.
D. Sitanggang, Y. Laia, and M. Radhi, “Application of Data Mining Using the Random Forest Method To Predict Heart Disease,”J. Sist. Inf. Dan Ilmu Komput. Prima, vol.7,no. 2, pp. 1–12, 2024.
K. Abdi, A. Warjaya, I. Muthmainnah, and P. H. Pahutar, “Penerapan Algoritma Random Forest dalam Prediksi Kelayakan Air Minum,” J. Ilmu Komput.dan Inform., vol. 3, no.2, pp. 81–88, 2024, doi: 10.54082/jiki.81.
N. Panda, S. K. Satapathy, S. Mishra, and P. K. Mallick, “Empirical Study on Different Feature Selection and Classification Algorithms for Prediction of Hepatitis Disease, ”Stud. Comput. Intell., vol. 936, no. February, pp. 75–86, 2021, doi: 10.1007/978-981-33-4698- 7_4.
W. Hongetal., “Usefulness of Random Forest Algorithm in Predicting Severe Acute Pancreatitis,” Front. Cell. Infect. Microbiol., vol. 12, no. June, pp. 1–14, 2022, doi: 10.3389/fcimb.2022.893294.
S. A. Farooq, “The Multi-Class Detection of Five Stages of Hepatitis C Using the Machine Learning Based Random Forest Algorithm,” 2023 World Conf. Commun. Comput.WCONF2023,no.July,2023,doi:10.1109/WCONF58270.2023.10235157.
H. Mamdouh Farghaly, M. Y. Shams, and T. Abd El-Hafeez, “Hepatitis C Virus prediction based on machine learning framework: a real-world case study in Egypt,” Knowl.Inf.Syst.,vol.65,no.6,pp.2595–2617,2023,doi:10.1007/s10115-023-01851-4.
D. A. Jadhav, “An enhanced and secured predictive model of Ada-Boost and Random- Forest techniques in HCV detections, ”Mater. Today Proc., vol.51, no.xxxx, pp. 186– 195, 2021, doi: 10.1016/j.matpr.2021.05.071.
D. Chiccoand G.Jurman, “An ensemble learning approach for enhanced classification of patients with hepatitis and cirrhosis,” IEEE Access, vol. 9, pp. 24485–24498, 2021, doi: 10.1109/ACCESS.2021.3057196.
M.Zdrodowska,A.Kasperczuk,andA.Dardzinska-Glebocka,“Selectedfeatureselection methods for classifying patients with Hepatitis C,” Procedia Comput. Sci., vol. 225, pp. 3710–3717, 2023, doi: 10.1016/j.procs.2023.10.366.
M. J. Nayeem, S. Rana, F. Alam, and M. A. Rahman, “Prediction of Hepatitis Disease Using K-Nearest Neighbors, Naive Bayes, Support Vector Machine, Multi-Layer Perceptron and Random Forest, ”2021 Int. Conf. Inf. Commun. Technol. Sustain. Dev. ICICT4SD 2021 - Proc., no. February, pp. 280–284, 2021, doi: 10.1109/ICICT4SD50815.2021.9397013.
Dominicus, D. A., Setiawan, N. Y., & Wicaksono, S. A. (2020). Prediksi Kecenderungan Pelanggan Telat Bayar pada Layanan Pembiayaan Adira Finance Saluran E-Commerce. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(4), 1300–1307.
S. Devella, Y. Yohannes, and F. N. Rahmawati, “Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol.7, no. 2, pp. 310–320, 2020.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Ahmad Rozy
This work is licensed under a Creative Commons Attribution 4.0 International License.
