MODEL SCREENING ANEMIA MENGGUNAKAN ENSEMBLE LEARNING STACKING DAN VOTING
Naurah Nazhifah, Afiahayati, S.Kom., M.Cs., Ph.D.
2024 | Tesis | MAGISTER KECERDASAN ARTIFISIAL
Anemia ditandai dengan rendahnya jumlah sel darah merah atau kadar hemoglobin dalam tubuh yang dapat menyebabkan gejala seperti kelelahan, sesak napas, pusing dan penurunan daya tahan tubuh. Oleh karena itu, penting untuk dapat
melakukan diagnosis anemia dengan tingkat ketepatan yang tinggi. Dalam upaya
meningkatkan ketepatan diagnosis, diusulkan penggunaan pembelajaran mesin,
terutama dengan penerapan metode ensemble learning. Penelitian ini
bertujuan untuk mengembangkan suatu model skrining dengan tingkat sensitivitas
yang tinggi.
Dengan menerapkan metode klasifikasi ensemble learning,
seperti stacking dan voting, diharapkan dapat menciptakan model
prediksi yang dapat secara efektif membedakan antara pasien yang menderita
anemia dan yang tidak. Rancangan penelitian ini mencakup beberapa tahapan,
mulai dari akuisisi data, pemodelan, hingga evaluasi.
Pada tahap akuisisi data, dataset yang digunakan berasal dari hematology analyzer dan terdiri dari 113 data latih serta 56 data uji. Selanjutnya, pada tahap pemodelan, teknik klasifikasi ensemble seperti stacking dan voting diterapkan. Hasil penelitian menunjukkan bahwa pendekatan ensemble learning stacking dan voting berhasil meningkatkan performa pada dataset anemia. Model tanpa pendekatan ensemble learning menunjukkan efisiensi waktu yang baik dalam proses klasifikasi data jika dibandingkan dengan model ensemble learning.
Anemia is characterized by a low number of red blood cells or hemoglobin levels in the body, which can cause symptoms such as fatigue, shortness of breath, dizziness, and decreased endurance. Therefore, it is important to be able to diagnose anemia with a high degree of accuracy. In an effort to increase the accuracy of diagnosis, the use of machine learning is proposed, especially with the application of ensemble learning methods. This research aims to develop a screening model with a high level of sensitivity.
By applying ensemble learning classification methods, such as stacking and voting, it is hoped that we can create a prediction model that can effectively differentiate between patients who suffer from anemia and those who do not. This research design includes several stages, starting with data acquisition, modeling, and evaluation.
At the data acquisition stage, the dataset used came from the hematology analyzer and consisted of 113 training data and 56 test data. Next, in the modeling stage, ensemble classification techniques such as stacking and voting are applied. The research results show that the ensemble learning stacking and voting approach succeeded in improving performance on anemic datasets. Models without an ensemble learning approach show good time efficiency in the data classification process when compared to ensemble learning models.
Kata Kunci : Kata Kunci: Anemia, Ensemble Learning, K-Nearest Neighbor, Naïve Bayes, Random Forest, Support Vector Machine, Stacking, Voting
