Syarif Muhammad Azdi Razi, Barry Ceasar Octariadi , Alda Cendekia Siregar (Author)
Sekarang ini, isu kesehatan menjadi satu di antara permasalahan yang sangat kompleks di dunia modern yang terus berkembang. Salah satu penyakit yang menjadi ancaman kesehatan dunia ialah hepatitis. Diagnosis penyakit hepatitis sangat diperlukan untuk mengontrol, merawat, dan memulihkannya. Penggunaan Machine learning bersama dengan data klinis telah meningkatkan identifikasi dan klasifikasi penyakit secara signifikan, yang menunjukkan betapa efektifnya Machine learning dalam menangani berbagai masalah kesehatan. Machine learning dapat meningkatkan diagnosis hepatitis pada tahap awal, yang memungkinkan intervensi yang cepat dan hasil yang lebih baik pada pasien. Penelitian ini membangun model identifikasi menggunakan algoritma machine learning yaitu Catboost. Model dilatih menggunakan data set dari UCI Machine Learning Repository. Metode penelitian ini terdiri dari identifikasi masalah, pengumpulan data, proses data mining, pengujian, dan kesimpulan. Pengujian menggunakan confusion matrix yang berisi accuracy, precicon recall, f-1 score dan skor AUC/ROC. Hasil dari pengujian tersebut didapatkan pada model pertama yang berisi dataset training 70% dan testing 30% terjadi peningkatan skor accuracy, precision, recall, f1-score dan skor AUC dari 0.77, 0.58, 0.56, 0.56, 0.78 meningkat tinggi menjadi 0.946, 0.956, 0.949, 0.945, 0,981. Kemudian pada model kedua dataset training 80% dan testing 20% juga terjadi peningkatan dari 0.79, 0.60, 0.58, 0.59, 0.78 meningkat menjadi 0.960, 0.958, 0.958, 0.958, 0,991.
Kata kunci: Hepatitis, Data Mining, Machine Learning, Catboost.
Abstract
Nowadays, health issues have become one of the most complex problems in the ever-evolving modern world. One of the diseases that pose a threat to global health is hepatitis. Diagnosis of hepatitis disease is necessary to control, treat and recover from it. The use of ML together with clinical data has significantly improved the identification and classification of diseases, which shows how effective ML is in addressing various health issues. ML can improve the diagnosis of hepatitis at an early stage, which enables rapid intervention and better patient outcomes. This study builds an identification model using the machine learning algorithm Catboost. The model was trained using data sets from the UCI Machine Learning Repository. This research method consists of problem identification, data collection, data mining process, testing, and conclusions. Testing uses a confusion matrix that contains accuracy, precision recall, f-1 score and AUC/ROC score. The results of the test were obtained in the 70% training dataset there was an increase in the accuracy score, precision, recall, f1-score and AUC score from 0.77, 0.58, 0.56, 0.56, 0.78 increasing to 0.946, 0.956, 0.949, 0.945, 0.981. Then on the 80% training dataset, there was an increase in accuracy, precision, recall, f1-score and AUC score from 0.79, 0.60, 0.58, 0.59, 0.78 increasing to 0.960, 0.958, 0.958, 0.958, 0.991.
Keywords: Hepatitis, Data Mining, Machine Learning, Catboost.
