Pemodelan Deteksi Dini Gejala Penyakit Sirosis Hati Menggunakan Machine Learning Dengan Pendekatan Supervised Learning

Abstract

Sirosis hati merupakan konsekuensi serius dari hepatitis kronis yang dapat mengakibatkan komplikasi fatal. Deteksi dini sirosis hati sangat penting untuk meningkatkan prognosis dan mengurangi risiko komplikasi. Namun, gejalanya seringkali tidak spesifik, menyulitkan diagnosis pada tahap awal. Penelitian ini menggunakan dataset dari Mayo Clinic untuk menganalisis sirosis hati dengan tiga model machine learning: K-Nearest Neighbors (KNN), Naive Bayes, dan Support Vector Machine (SVM). Hasilnya menunjukkan bahwa model KNN memiliki akurasi tertinggi (92.04%), menunjukkan kemampuan yang efektif dalam mengklasifikasikan sirosis hati. Berdasarkan confusion matrix, KNN mampu mengklasifikasikan dengan tepat pasien yang menderita sirosis hati, dengan sedikit kesalahan dalam mengidentifikasi kelas yang berbeda. Sebagai perbandingan, model Naive Bayes menunjukkan performa yang lebih rendah dengan akurasi 52.14%, sementara SVM memiliki akurasi sebesar 81.88%. Dalam konteks deteksi dini sirosis hati, model KNN menonjol sebagai pilihan terbaik karena akurasinya yang tinggi dan kemampuannya dalam mengklasifikasikan pasien dengan benar. Langkah-langkah preprocessing data, seperti normalisasi dan one-hot encoding, juga berperan penting dalam meningkatkan kinerja model. Penemuan ini memberikan landasan penting untuk pengembangan sistem deteksi dini yang lebih baik untuk sirosis hati, sehingga memungkinkan intervensi medis yang tepat waktu dan peningkatan prognosis pasien.