Implementasi Klasifikasi Penyakit Liver dengan Teknik Penanganan Data Tidak Seimbang Synthetic Minority Oversampling Technique – Edited Nearest Neighbor
Tahun 2026 · Penulis: Nurifatul Laily
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Implementasi Klasifikasi Penyakit Liver dengan Teknik Penanganan Data Tidak Seimbang Synthetic Minority Oversampling Technique – Edited Nearest Neighbor
Penyakit liver adalah istilah umum yang memaksudkan berbagai kelainan atau kelainan yang mempengaruhi liver, termasuk penyakit liver yang berlemak, sirosis, hepatitis, kanker hati, tumor hati, dan lainnya. Karena gejala non-spesifik, penyakit hati menantang untuk mendiagnosa pada tahap awal. Akan tetapi, diagnosis dini penting untuk memungkinkan perawatan yang tepat waktu, sehingga mencegah perkembangan penyakit menjadi tahap yang lebih parah. Belajar mesin dapat digunakan untuk diagnosis awal penyakit hati menggunakan metode klasifikasi. Namun, jika data yang digunakan tidak seimbang, itu dapat bias model klasifikasi. Dalam penelitian ini, sebuah model klasifikasi penyakit hati dibangun menggunakan K-Neimeter terdekat (k-NN), Random Forest (RF), dan Extreme Gradient Boost (XGBoost) algoritma dengan menerapkan Sintetic Minority Oversampling Technique - Edided Nearest Neighbor (SMOTE-ENN) untuk menangani data yang tidak seimbang. SMOTE-ENN diterapkan dengan bereksperimen dengan beberapa nilai dari sampling_strategi (SMOTE) hyperparameter. Pentungan hyperparameter juga dilakukan pada kedua SMOTE-ENN dan algoritma klasifikasi menggunakan Pencarian Grid. Berdasarkan akurasi, presisi, ingat, dan F1-score, model RF dengan sampling_strategi (SMOTE) = baku dan {0:475} menggunakan 90:10 data split mencapai kinerja terbaik. Kedua konfigurasi mencapai akurasi, presisi, ingat, dan F1-score 88%, 93%, 90%, dan 92%, masing-masing. Berdasarkan evaluasi lebih lanjut menggunakan kurva pembelajaran, validasi silang, kebingungan matrix heatmap, Menerima Pengoperasian Karakteristik (ROC) kurva, dan Precision-Recall (PR) kurva, model yang dipilih untuk implementasi dalam aplikasi web adalah model RF dengan sampling_strategi (SMOTE) = {0:4475}.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,859
Tahun 2026 · Penulis: Muhammad Afif Rohman Muzaky
Penerapan Hybrid K-Means Clustering dan Prefixspan untuk Analisis Trajektori Penyakit Katastropik sebagai Deteksi Dini Risiko Komplikasi
Penyakit katastropik merupakan tantangan utama layanan kesehatan di Indonesia yang memiliki karakteristik progresif dan multimorbiditas. Pendekatan diagnosis klinis konvensional seringkali berfokus secara statis pada satu titik waktu, sehingga gagal menangkap
- Cosine 0,857
Tahun 2025 · Penulis: Augusta Ahmad Bintang Widigdo
Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso
Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya serin
- Cosine 0,846
Tahun 2024 · Penulis: Nico Wibiyanto
Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest dengan Seleksi Fitur Sequential, Chi-Square, dan Embedded Pada Penyakit Kanker Payudara
Kanker umumnya terkait dengan tumor ganas yang dapat menyebar ke jaringan tubuh yang lebih luas. Kanker payudara terjadi akibat pertumbuhan sel-sel payudara secara berlebih kemudian membentuk tumor yang bersifat jinak (benigna) dan ganas (maligna). Penyakit ka