Implementasi Algoritma Random Forest dengan Variasi Parameter n_estimators untuk Klasifikasi Penyakit Hati
DOI:
https://doi.org/10.24114/cess.v10i2.66740Keywords:
Klasifikasi, Machine Learning, Penyakit Hati, Random ForestAbstract
Penyakit hati merupakan gangguan serius yang dapat menurunkan kualitas hidup dan menimbulkan komplikasi jika tidak terdeteksi sejak dini. Penelitian ini mengevaluasi penerapan algoritma Random Forest untuk klasifikasi penyakit hati menggunakan dataset Indian Liver Patient Records. Algoritma ini dipilih karena mampu menangani data kompleks dan mengurangi overfitting. Pengujian dilakukan dengan variasi parameter n_estimators (100, 200, 300) serta teknik 10-fold cross-validation. Evaluasi model mencakup akurasi, presisi, dan recall. Penelitian ini juga menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas dalam data, yang berkontribusi terhadap peningkatan performa model. Dibandingkan dengan studi sebelumnya yang menggunakan Random Forest tanpa tuning parameter, penelitian ini menunjukkan peningkatan akurasi sebesar 7%. Hasil terbaik diperoleh pada n_estimators = 200 dengan akurasi 80,17%, presisi 80,28%, dan recall 80,17%. Temuan ini menunjukkan bahwa algoritma Random Forest dengan parameter yang dioptimalkan efektif dalam mendeteksi penyakit hati dan dapat mendukung pengambilan keputusan medis secara lebih akurat.References
[1] I. Herliawan et al., “Classification of Liver Disease by Applying Random Forest Algorithm and Backward Elimination,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 6, no. 1, pp. 89–94, 2020, doi: https://doi.org/10.33480/jitk.v6i1.1424
[2] UCI Machine Learning Repository, “Liver disorder data set,” https://archive.ics.uci.edu/ml/datasets/Liver+Disorders.
[3] K. Biju, M. B. Manoj, and Mohan. H, “Diagnosis of Chronic Liver Disease using Machine Learning Techniques,” Int J Res Appl Sci Eng Technol, vol. 11, no. 6, pp. 346–351, Jun. 2023, doi: https://doi.org/10.17762/itii.v9i2.382.
[4] H. Wei, “A Random Forest-based Prediction for Liver Cirrhosis,” Applied and Computational Engineering, vol. 67, no. 1, pp. 98–106, Jul. 2024, doi: https://doi.org/10.54254/2755-2721/78/20240642.
[5] K. Widya Kayohana, “Klasifikasi Penyakit Hati Menggunakan Random Forest dan KNN,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 4, pp. 7924–7929, 2024, doi: https://doi.org/10.36040/jati.v8i4.10457.
[6] A. Rozy, “Penerapan Random Forest Untuk Prediksi Virus Hepatitis C,” FIMERKOM: Journal of Information Systems and Technology, vol. 1, no. 1, pp. 19–23, 2024, doi: https://doi.org/10.36040/jati.v8i4.10457.
[7] M. Ghosh et al., “A comparative analysis of machine learning algorithms to predict liver disease,” Intelligent Automation and Soft Computing, vol. 30, no. 3, pp. 917–928, 2021, doi: https://doi.org/10.32604/iasc.2021.017989.
[8] W. Andriyani et al., “Analisis Data Penerimaan Peserta Didik Baru Menggunakan Cross Validation Dan Algoritma Decision Tree Di SMA Negeri 1 Bandung,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 3, 2024, doi: https://doi.org/10.36040/jati.v8i3.9603.
[9] W. Wijiyanto, A. I. Pradana, S. Sopingi, and V. Atina, “Teknik K-Fold Cross Validation untuk Mengevaluasi Kinerja Mahasiswa,” Jurnal Algoritma, vol. 21, no. 1, May 2024, doi: https://doi.org/10.33364/algoritma/v.21-1.1618
[10] Y. Khoeri, R. Kurniawan, and Y. A. Wijaya, “Penerapan Teknik SMOTE Dan Cross Validation Pada Decision Tree Untuk Klasifikasi Tingkat Kemacetan Lalu Lintas,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 2, 2024, doi: https://doi.org/10.36040/jati.v8i2.8879.
[11] A. P. Windarto, S. Defit, and A. Wanto, “Optimalisasi Parameter dengan Cross Validation dan Neural Back-propagation Pada Model Prediksi Pertumbuhan Industri Mikro dan Kecil,” JURNAL SISTEM INFORMASI BISNIS, vol. 11, no. 1, pp. 34–42, Jun. 2021, doi: https://doi.org/10.21456/vol11iss1pp34-42.
[12] P. Contreras, J. Orellana-Alvear, P. Muñoz, J. Bendix, and R. Célleri, “Influence of random forest hyperparameterization on short-term runoff forecasting in an andean mountain catchment,” Atmosphere (Basel), vol. 12, no. 2, Feb. 2021, doi: https://doi.org/10.3390/atmos12020238
[13] Y. Cahyono, P. Rosyani, F. S. Syah, F. S. Putri, I. Ashari, and K. Sofian, “Liver Disease Classification Using Decision Tree and Random Forest Algorithms,” International Journal of Integrative Sciences, vol. 4, no. 1, pp. 135–140, Feb. 2025, doi: https://doi.org/10.55927/ijis.v4i1.13509.
[14] S. Arlot and A. Celisse, “A survey of cross-validation procedures for model selection,” Stat Surv, vol. 4, pp. 40–79, 2010, doi: https://doi.org/10.1214/09-SS054.
[15] R. Meidiansyah and M. Herdayati, “Risk of Liver Cancer in Patients with Liver Disease (BPJS Sample Data Analysis,” Jurnal Kesehatan Masyarakat Mulawarman, vol. 4, p. 135, 2024, doi: https://doi.org/10.55927/ijis.v4i1.13509.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 CESS (Journal of Computer Engineering, System and Science)
This work is licensed under a Creative Commons Attribution 4.0 International License.
