PERBANDINGAN METODE KLASIFIKASI RANDOM FOREST DAN EXTRA TREES DALAM MEMPREDIKSI KANKER PARU

Salsabila, Hanifa (2025) PERBANDINGAN METODE KLASIFIKASI RANDOM FOREST DAN EXTRA TREES DALAM MEMPREDIKSI KANKER PARU. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (222kB)
	Text BAB II.pdf Restricted to Registered users only Download (648kB)
	Text BAB III.pdf Restricted to Registered users only Download (300kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (183kB)
	Text DAFTAR PUSTAKA.pdf Download (205kB)

Abstract

Kanker paru merupakan penyebab utama kematian akibat kanker dengan tingkat mortalitas 12,4% dari total kematian kanker pada tahun 2022. Deteksi dini dapat meningkatkan tingkat kelangsungan hidup 5 tahun dari 18% menjadi 55%. Penelitian ini bertujuan membandingkan performa algoritma Random Forest dan Extra Trees dalam prediksi kanker paru-paru serta mengoptimalkan model dengan teknik SMOTE untuk mengatasi ketidakseimbangan data. Metodologi menggunakan dataset kanker paru dari Kaggle dengan 16 atribut klinis dan demografis yang mencakup gender, usia, kebiasaan merokok, gejala fisik, dan faktor psikologis. Dataset awal terdiri dari 309 entri yang setelah pembersihan data duplikat menjadi 276 entri, kemudian dibagi 80% training dan 20% testing. Penelitian meliputi Exploratory Data Analysis, implementasi SMOTE pada data training untuk mengatasi ketidakseimbangan kelas, hyperparameter tuning menggunakan GridSearchCV, dan evaluasi komprehensif dengan 5-fold cross-validation. Implementasi menggunakan Google Colab dengan library Scikit-learn Python. Hasil menunjukkan Random Forest mencapai performa superior dengan akurasi 95% dibandingkan Extra Trees 93%. Random Forest memiliki ROC-AUC 96,61% versus Extra Trees 96,22%. Penerapan SMOTE berhasil meningkatkan deteksi kelas minoritas (pasien Non-kanker) pada Random Forest dengan precision 78%, recall 88%, dan F1-score 82%. Kelas mayoritas (pasien kanker) tetap mempertahankan performa tinggi dengan precision 98%, recall 96%, dan F1-score 97%. Model Random Forest mengklasifikasikan 7 dari 8 sampel kelas minoritas dan 46 dari 48 sampel kelas mayoritas dengan benar. Kombinasi Random Forest dengan SMOTE terbukti efektif mengatasi ketidakseimbangan data tanpa menurunkan akurasi keseluruhan, menunjukkan konsistensi metrik yang lebih baik pada kedua kelas dibandingkan Extra Trees. Model memiliki sensitivitas tinggi dalam deteksi kasus dan dapat menjadi alat bantu andal untuk sistem deteksi dini kanker paru dalam praktik klinis modern.

Actions (login required)

View Item