PEMODELAN KLASIFIKASI ANEMIA APLASTIK MENGGUNAKAN TEKNIK OVERSAMPLING DAN K-NEAREST NEIGHBORS
DOI:
https://doi.org/10.23960/jitet.v12i3.4326Abstract Views: 1290 File Views: 1209
Abstract
Anemia aplastik adalah kondisi medis langka yang ditandai oleh produksi sumsum tulang yang tidak memadai dari sel darah merah, sel darah putih, dan platelet. Kondisi ini dapat menyebabkan berbagai komplikasi serius dan memerlukan pengelolaan yang cermat. Dalam penelitian ini, kami menyelidiki metode klasifikasi untuk mengidentifikasi dan memprediksi keberadaan anemia aplastik berdasarkan profil klinis pasien. Kami menerapkan teknik oversampling menggunakan Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas pada dataset. Selanjutnya, kami menggunakan algoritma K-Nearest Neighbors (KNN) untuk memodelkan klasifikasi. Data yang digunakan dalam penelitian ini terdiri dari berbagai fitur klinis, termasuk usia, jenis kelamin, respons pengobatan, dan parameter hematologi. Hasil eksperimen menunjukkan bahwa penggunaan teknik oversampling bersama dengan KNN dapat menghasilkan model klasifikasi yang efektif untuk anemia aplastik, dengan akurasi mencapai 97.56%. Hasil evaluasi juga menunjukkan nilai F1-Score sebesar 0.9767 dan recall sebesar 0.9545. Temuan ini menunjukkan bahwa pendekatan kami memiliki potensi dalam mendukung diagnosis dan manajemen pasien dengan anemia aplastik.Downloads
References
T. G. Dharmayuda, S. PD-KHOM, N. M. I. Pratiwi, dan P. N. Tediantini, “ANEMIA APLASTIK”.
C.-Y. L. Hafiz Abbad Ur Rehman dan Z. Mushtaq, “Effective K-Nearest Neighbor Algorithms Performance Analysis of Thyroid Disease,” Journal of the Chinese Institute of Engineers, vol. 44, no. 1, hlm. 77–87, 2021, doi: 10.1080/02533839.2020.1831967.
R. Siringoringo, “Klasifikasi data tidak Seimbang menggunakan algoritma SMOTE dan k-nearest neighbor,” Journal Information System Development (ISD), vol. 3, no. 1, 2018.
B. Wiranti, “Urgensi Aspek Psikodermatologi dalam Perawatan Kulit: Memahami Keterkaitan Emosi dan Kesehatan Kulit,” Mutiara: Jurnal Ilmiah Multidisiplin Indonesia, vol. 2, no. 1, hlm. 224–244, 2024.
I. N. Simbolon, “PREDIKSI KUALITAS AIR SUNGAI DI JAKARTA MENGGUNAKAN KNN YANG DIOPTIMALISASI DENGAN PSO,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, 2024.
L. Wohlrab dan J. Fürnkranz, “A review and comparison of strategies for handling missing values in separate-and-conquer rule learning,” J Intell Inf Syst, vol. 36, no. 1, hlm. 73–98, 2011, doi: 10.1007/s10844-010-0121-8.
H. and B. D. and B. Y. and G. K. Guo Gongde and Wang, “KNN Model-Based Approach in Classification,” dalam On The Move to Meaningful Internet Systems 2003: CoopIS, DOA, and ODBASE, Z. and S. D. C. Meersman Robert and Tari, Ed., Berlin, Heidelberg: Springer Berlin Heidelberg, 2003, hlm. 986–996.
P. Mayadewi dan E. Rosely, “Prediksi Nilai Proyek Akhir Mahasiswa Menggunakan Algoritma Klasifikasi Data Mining,” SESINDO 2015, vol. 2015, 2015.
A. Putra dan H. Toba, “Pengembangan Gudang Data Pendukung Analisis Tren Penyewaan Peralatan Katering dengan Algoritma Apriori,” Journal of Information System and Technology (JOINT), vol. 1, no. 1, hlm. 5–14, 2020.
H. Santoso, R. A. Putri, dan S. Sahbandi, “Deteksi Komentar Cyberbullying pada Media Sosial Instagram Menggunakan Algoritma Random Forest,” Jurnal Manajemen Informatika (JAMIKA), vol. 13, no. 1, hlm. 62–72, 2023.
M. Lutfi dan M. Hasyim, “Penanganan Data Missing Value Pada Kualitas Produksi Jagung Dengan Menggunakan Metode K-Nn Imputation Pada Algoritma C4. 5,” Jurnal RESISTOR (Rekayasa Sistem Komputer), vol. 2, no. 2, hlm. 89–104, 2019.
P. Ghadekar, P. Akolkar, D. Anand, P. Oswal, S. Dixit, dan N. Chandak, “Mergers and Acquisitions Prediction using Hybrid-Machine Learning and Deep Learning Approach,” dalam 2022 IEEE 7th International Conference on Recent Advances and Innovations in Engineering (ICRAIE), 2022, hlm. 65–70.
D. A. Nasution, H. H. Khotimah, dan N. Chamidah, “Perbandingan normalisasi data untuk klasifikasi wine menggunakan algoritma K-NN,” Comput. Eng. Sci. Syst. J, vol. 4, no. 1, hlm. 78, 2019.
L. Qadrini, H. Hikmah, dan M. Megasari, “Oversampling, Undersampling, Smote SVM dan Random Forest pada Klasifikasi Penerima Bidikmisi Sejawa Timur Tahun 2017,” Journal of Computer System and Informatics (JoSYC), vol. 3, no. 4, hlm. 386–391, 2022.
D. Cahyanti, A. Rahmayani, dan S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indonesian Journal of Data and Science, vol. 1, no. 2, hlm. 39–43, 2020.
