STUDI KOMPARATIF ALGORITMA MACHINE LEARNING DALAM KLASIFIKASI DAN PREDIKSI KANKER PARU-PARU

Aug 3, 2026

Unggah oleh Quinn

Penelitian ini bertujuan membandingkan performa lima algoritma machine learning, terutama Naive Bayes dan Random Forest, dalam mendeteksi kanker paru-paru berdasarkan data gejala klinis pasien. Dataset diperoleh dari Kaggle lalu melalui preprocessing, transformasi, serta pembagian data latih dan uji. Evaluasi dilakukan menggunakan akurasi, presisi, recall, dan F1-score, secara otomatis maupun manual. Hasil menunjukkan seluruh algoritma memiliki kinerja klasifikasi baik, dengan Naive Bayes unggul pada akurasi 93,53% dan F1-score 0,9272.

BahasaIndonesian

KategoriLayanan Kesehatan

FormatPDF

Halaman9

Waktu Membaca14 mnt

AksesGratis untuk diunduh

Daftar Isi

Pendahuluan

Tantangan kesehatan masyarakat dan peran machine learning

Konsep klasifikasi dan algoritma yang digunakan

Rujukan studi sebelumnya dan kesenjangan penelitian

Kajian Pustaka dan pengembangan hipotesis

Naive Bayes

STUDI KOMPARATIF ALGORITMA MACHINE LEARNING DALAM KLASIFIKASI DAN PREDIKSI KANKER PARU PARU Atma Agilia Triwardani 1), Erna Daniati2), Anita Sari Wardani3) Program Studi Sistem Informasi, Universitas Nusantara PGRI Kediri 1),2),3) [ernadaniati@unpkediri.ac.id](ernadaniati@unpkediri.ac.id2)[2](ernadaniati@unpkediri.ac.id2) Abstrak Penelitian ini bertujuan untuk membandingkan performa lima algoritma klasifikasi machine learning, yaitu Naive Bayes dan Random Forest, dalam mendeteksi kanker paru-paruberdasarkan data gejala klinis pasien. Data penelitian diperoleh dari dataset terbuka Kaggle yang telah melalui tahapan preprocessing, transformasi, dan pembagian data uji dan latih. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score, baik secara otomatis maupun manual. Hasil penelitian menunjukkan bahwa semua algoritmamemiliki performa klasifikasi yang baik, namun Naive Bayes unggul dengan akurasi sebesar 93,53% dan F1-score 0,9272 . Temuan ini menunjukkan bahwa pendekatan probabilistik sederhana masih sangat relevan dan efektif dalam mengklasifikasikan penyakit berbasis data klinis. Penelitian ini juga memberikan dasar untuk eksplorasi lebih lanjut terkait pengembangan sistem deteksi dini penyakit berbasis machine learning yang lebih akurat dan efisien. Kata kunci: machine learning, kanker paru-paru, Naive Bayes, Random Forest, klasifikasi 1. Pendahuluan Indonesia saat ini sedang menghadapi tantangan besar di sektor kesehatan akibat melonjaknya prevalensi penyakit tidak menular (PTM) . PTM, yang juga dikenal sebagaipenyakit degeneratif, menjadi isu utama kesehatan masyarakat pada abad ke-21 karena tingginya angka morbiditas dan mortalitas di tingkat global. Berdasarkan data dari World Health Organization, PTM mencakup penyakit seperti jantung, stroke, tekanan darah tinggi, diabetes, kanker, serta penyakit ginjal kronis. Diduga menyebabkan sekitar 36 juta kematian setiap tahun. dikarenakan kehidupan sehari-hari dan gaya hidup tidak sehat yang meningkatkan risiko munculnya penyakit tidak menular tersebut [1] . Perkembangan teknologi membawa dampak yang signifikan dalam berbagai bidang termasuk bidang kesehatan. Konsep kecerdasan buatan yang meniru kecerdasan manusia untuk memecahkan berbagai masalah adalah machine learning. Cara kerja machine learning adalah dengan mengembangkan kemampuan pembelajaran mesin untuk menangani kumpulan data tertentu dan kemudian memberikan wawasan yang bermanfaat bagi orang yang menggunakannya. Kecerdasan buatan dan kumpulan data ini dimanfaatkan bidang kesehatan untuk mendeteksi kanker paru-paru pada pasien [2] Machine learning bagian dari kecerdasan buatan dimana algoritma dan metode tertentudigunakan untuk memprediksi, mengenala pola, dan mengklasifikasi. Analisis data yang dilakukan dikenal sebagai klasifikasi untuk membantu memprediksi label kelas mana yang harus diberikan kepada sampel. Berbagai bidang, seperti statistik, sistem pakar, dan pembelajaran mesin, telah mengusulkan berbagai metode klasifikasi. Algoritma machine learning termasuk Naive Bayes, Random Forest, dan masih banyak lagi [3] . Berbagai studi sebelumnya yang relevan dijadikan rujukan dalam penelitian ini karenamembahas penerapan algoritma klasifikasiNaive Bayes dan Random Forest. Penelitian pertamamembahas pengaruh data tidak seimbang terhadap performa model klasifikasi penyakit diabetes menggunakan algoritma Random Forest menggunakan teknik SMOTE. Hasil menunjukkan bahwa meskipun kedua skenario mencapai akurasi tinggi (~97-97,5%) [4] . Penelitian kedua membahas pengembangan model prediksi stroke menggunakan Random Forest dengan optimasi preprocessing (KNNImputer dan SMOTE-Tomek) . Hasil menunjukkanakurasi hingga 96%, dengan precision, recall, dan F1-score tinggi [5] . Penelitian ketigamembahas perbandingan kinerja model Decision Tree dan Random Forest dalam klasifikasievaluasi kendaraan menggunakan kriteria pemisahan yang berbeda seperti Information Gain, Gain Ratio, dan Gini

Pertanyaan Umum

Penelitian ini membandingkan algoritma machine learning apa saja untuk deteksi kanker paru-paru?

Penelitian ini membandingkan performa lima algoritma klasifikasi machine learning, dengan fokus utama pada Naive Bayes dan Random Forest dalam mendeteksi kanker paru-paru.

Sumber data dan proses pengolahan data yang digunakan bagaimana?

Data penelitian diambil dari dataset terbuka Kaggle, kemudian melalui preprocessing, transformasi, serta pembagian data uji dan latih sebelum evaluasi model.

Metrik evaluasi apa yang digunakan untuk menilai performa model?

Performa model dinilai menggunakan metrik akurasi, presisi, recall, dan F1-score, dengan evaluasi dilakukan secara otomatis maupun manual.

Aug 3, 2026

Unggah oleh Quinn