Klasifikasi Tuberkulosis (TBC) dengan Metode Random Forest Menggunakan Teknik Re-Sampling ADASYN-Tomek Links

Abstrak

Ketidakseimbangan data merupakan tantangan umum dalam klasifikasi medis, termasuk pada diagnosis Tuberkulosis (TBC), di mana jumlah kasus positif secara signifikan lebih sedikit dibandingkan kasus negatif. Kondisi ini dapat menurunkan performa model, terutama dalam mendeteksi kelas minoritas. Penelitian ini bertujuan untuk mengevaluasi kinerja metode Random Forest dalam mengklasifikasikan data TBC yang tidak seimbang dengan menggunakan kombinasi teknik re-sampling ADASYN dan Tomek Links. Dataset yang digunakan berasal dari Puskesmas Cisarua, Bogor, yang terdiri atas 1.069 data pasien dengan 15 fitur dan satu label target. Proses penelitian mencakup pra-pemrosesan data, penerapan one-hot encoding, pembagian data, penggunaan ADASYN untuk menambahkan sampel sintetis pada kelas minoritas, serta penerapan Tomek Links untuk menghapus data ambiguitas di area kelas yang tumpang tindih. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score melalui skema hold-out dan k-fold cross-validation. Hasil menunjukkan bahwa kombinasi ADASYN dan Tomek Links meningkatkan F1-score untuk kelas positif dari 0,67 menjadi 0,71 pada evaluasi hold-out, serta mencapai 0,9129 pada evaluasi cross-validation. Temuan ini menunjukkan bahwa pendekatan tersebut efektif dalam menangani ketidakseimbangan data dan berpotensi diintegrasikan ke dalam sistem pendukung keputusan klinis di Puskesmas untuk mendukung deteksi dini kasus TBC.

Identifier

• DOI: https://doi.org/10.33364/algoritma/v.22-2.2458
• OpenAlex: https://openalex.org/W4417149410