KLASIFIKASI DIAGNOSA PENYAKIT TIROID MENGGUNAKAN METODE RANDOM FOREST
DOI:
https://doi.org/10.36595/jire.v7i2.1214Keywords:
Thyroid Disease, Classification, Random ForestAbstract
Tiroid adalah kelenjar penting di leher manusia yang mengatur metabolisme melalui hormon-hormonnya. Gangguan hormon pada tiroid dapat berdampak signifikan pada kesehatan. Gejalanya sering kali sulit diidentifikasi karena menyerupai keluhan yang diakibatkan gaya hidup. Untuk mengatasi masalah ini, diperlukan pembelajaran mesin untuk mendeteksi diagnosis penyakit tiroid berdasarkan gejala. Penelitian ini bertujuan untuk mengembangkan teknik machine learning yang dapat membantu klasifikasi diagnosa penyakit tiroid menggunakan metode random forest. Pengujian dilakukan sebanyak 6 kali dengan mengubah nilai parameter untuk mengetahui pengaruhnya terhadap akurasi model. Hasil penelitian menunjukkan bahwa parameter seperti jumlah pohon keputusan, kedalaman maksimum, dan jumlah minimum sampel daun dapat mempengaruhi akurasi model. Hasil pengujian menunjukkan akurasi tertinggi diperoleh pada pengujian ketiga dengan pembagian data 80/20 didapatkan hasil akurasi 99%. Penelitian ini menyimpulkan bahwa metode random forest efektif dalam meningkatkan akurasi diagnosa penyakit tiroid serta menekankan pentingnya penyesuaian parameter untuk hasil yang optimal.
References
D. Sartika and Y. Yupianti, “Klasifikasi Penyakit Tiroid Menggunakan Algoritma C4.5 (Studi Kasus?: Rumah Sakit Umum Daerah (RSUD) Hasanuddin Damrah Manna),” Rekayasa, vol. 13, no. 1, pp. 71–76, 2020, doi: 10.21107/rekayasa.v13i1.5912.
D. C. Yadav and S. Pal, “To generate an ensemble model for women thyroid prediction using data mining techniques,” Asian Pacific Journal of Cancer Prevention, vol. 20, no. 4, pp. 1275–1281, 2019, doi: 10.31557/APJCP.2019.20.4.1275.
S. Agustiani, A. Mustopa, A. Saryoko, W. Gata, and S. K. Wildah, “Penerapan Algoritma J48 Untuk Deteksi Penyakit Tiroid,” Paradigma - Jurnal Komputer dan Informatika, vol. 22, no. 2, pp. 153–160, 2020, doi: 10.31294/p.v22i2.8174.
D. Sartika and Yupianti, “Klasifikasi Penyakit Tiroid Menggunakan Algoritma C4 . 5,” Journal of Science and Technology, vol. 13, no. 1, pp. 71–76, 2020.
Ardiyansyah, P. A. Rahayuningsih, and R. Maulana, “Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner,” Jurnal Khatulistiwa Informatika, vol. VI, no. 1, pp. 20–28, 2018.
E. A. F. Elmuna, Optimasi metode random forest menggunakan Principal Component Analysis untuk memprediksi harga rumah. 2023. [Online]. Available: http://etheses.uin-malang.ac.id/50422/
L. Mutawali, W. Murniati, and K. Kunci, “PENERAPAN KNNIMPUTER DALAM MENGOLAH DATA MISSING VALUE UNTUK MEMBANTU MENINGKATKAN AKURASI SUPPORT VECTOR MACHINE KLASIFIKASI PENYAKIT TIROID,” 2022. [Online]. Available: https://archive.ics.uci.edu/ml/datasets/thyroid+diseas
C. Untuk and K. Harga, “Perbandingan Kinerja Algoritma Naive Bayes dan,” vol. 7, no. 1, pp. 20–24, 2020.
“18 klasifikasi penyakit jantung menggunakan random forest classifier”.
P. Tamba, “PREDIKSI PENYAKIT GAGAL JANTUNG DENGAN MENGGUNAKAN RANDOM FOREST,” Jurnal Sistem Informasi dan Ilmu Komputer Prima), vol. 5, no. 2, 2022.
M. Azhar and H. F. Pardede, “Klasifikasi Dialek Pengujar Bahasa Inggris Menggunakan Random Forest,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 2, p. 439, Apr. 2021, doi: 10.30865/mib.v5i2.2754.
Oon Wira Yuda, Darmawan Tuti, Lim Sheih Yee, and Susanti, “Penerapan Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random Forest,” SATIN - Sains dan Teknologi Informasi, vol. 8, no. 2, pp. 122–131, 2022, doi: 10.33372/stn.v8i2.885.
R. R. Andarista and A. Jananto, “Penerapan Data Mining Algoritma C4. 5 Untuk Klasifikasi Hasil Pengujian Kendaraan Bermotor,” Jurnal Tekno Kompak, vol. 16, no. 2, pp. 29–43, 2022, [Online]. Available: https://ejurnal.teknokrat.ac.id/index.php/teknokompak/article/view/1525%0Ahttps://ejurnal.teknokrat.ac.id/index.php/teknokompak/article/download/1525/944
F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4.5,” Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), vol. 4, no. 1, pp. 32–39, 2020, doi: 10.47970/siskom-kb.v4i1.173.
T. S. Lestari and D. A. N. Sirodj, “Klasifikasi Penipuan Transaksi Kartu Kredit Menggunakan Metode Random Forest,” Jurnal Riset Statistika, vol. 1, no. 2, pp. 160–167, 2022, doi: 10.29313/jrs.v1i2.525.
A. Setiawan, R. Febrio Waleska, M. Adji Purnama, and L. Efrizoni, “Sidomulyo barat, Sidomulyo Bar,” 2024. [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900
R. Sumanti, P. Studi Sistem Informasi, U. Darwan Ali Jln Batu Berlian No, and S. -Kalimantan Tengah, “KLASIFIKASI DATA TINGKAT KERAWANAN KEBAKARAN MENGGUNAKAN ALGORITMA CART,” 2024. [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jire
Suci Amaliah, M. Nusrang, and A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI: Journal of Statistics and Its application on Teaching and Research, vol. 4, no. 3, pp. 121–127, 2022, doi: 10.35580/variansiunm31.
A. Primajaya and B. N. Sari, “Random Forest Algorithm for Prediction of Precipitation,” Indonesian Journal of Artificial Intelligence and Data Mining, vol. 1, no. 1, p. 27, 2018, doi: 10.24014/ijaidm.v1i1.4903.
M. R. Givari, M. R. Sulaeman, and Y. Umaidah, “Perbandingan Algoritma SVM, Random Forest Dan XGBoost Untuk Penentuan Persetujuan Pengajuan Kredit,” Nuansa Informatika, vol. 16, no. 1, pp. 141–149, 2022, doi: 10.25134/nuansa.v16i1.5406.
Published
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
