Analisis Feature Importance pada Penyakit Alzheimer Menggunakan Random Forest

Abstrak

Penyakit Alzheimer merupakan gangguan neurodegeneratif progresif yang menyebabkan penurunan fungsi kognitif dan kemampuan aktivitas sehari-hari, terutama pada populasi lanjut usia. Peningkatan prevalensi Alzheimer secara global menuntut adanya metode deteksi dini yang akurat, efisien, dan mudah diakses. Penelitian ini bertujuan untuk menganalisis tingkat kepentingan fitur (feature importance) dalam memprediksi penyakit Alzheimer menggunakan algoritma Random Forest. Dataset yang digunakan merupakan data sekunder dari Kaggle yang terdiri dari 2.148 data pasien dengan 35 fitur yang mencakup aspek demografis, medis, kognitif, dan fungsional. Tahapan penelitian meliputi pra-pemrosesan data, penanganan ketidakseimbangan kelas menggunakan SMOTE, seleksi fitur dengan SelectKBest, serta pemodelan dan evaluasi menggunakan Random Forest dengan validasi silang K-Fold. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan performa yang sangat baik dengan tingkat akurasi sebesar 94%, serta nilai precision dan recall masing-masing sebesar 0,94. Analisis feature importance mengungkapkan bahwa fitur Functional Assessment, Activities of Daily Living (ADL), dan Mini-Mental State Examination (MMSE) merupakan faktor paling dominan dalam memprediksi risiko Alzheimer. Temuan ini menunjukkan bahwa indikator kognitif dan fungsional memiliki peran yang lebih signifikan dibandingkan faktor medis lainnya. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan medis untuk deteksi dini penyakit Alzheimer secara lebih efektif dan interpretatif.

Identifier

• OpenAlex: https://openalex.org/W7167892556
• DOI: https://doi.org/10.30873/jodmapps.v2i1.1464