Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Klasifikasi Multi-Kelas Kasus Infeksi Dengue dengan Seleksi Fitur pada Data Diagnosis Klinis yang Tidak Seimbang

Rektorat UDINUS 2023 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2023
Tujuan
Nomor
b821c3c7-0a65-4638-8c25-2b75eeaf769c
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan kegiatan penelitian kesehatan mengenai klasifikasi multi-kelas kasus infeksi dengue menggunakan data diagnosis klinis yang tidak seimbang. Kegiatan ini membahas masalah bahwa ketidakseimbangan dalam dataset infeksi dengue dapat memengaruhi interpretasi hasil prediksi karena klasifikasi kelas minoritas dapat mengalami bias terhadap kelas mayoritas. Kegiatan ini dilaksanakan oleh peneliti Fahmi, Amiq; Muqtadiroh, Feby Artwodini; Purwitasari, Diana; Sumpeno, Surya; dan Purnomo, Mauridhi Hery.

Kegiatan ini bertujuan meningkatkan akurasi klasifikasi dengan menangani masalah ketidakseimbangan multi-kelas melalui pendekatan yang diusulkan, yaitu memberikan bobot kelas kepada kelas minoritas dan mayoritas. Masalah resampling pada dataset yang tidak seimbang juga ditangani menggunakan teknik Random resampling dan SMOTE. Dataset yang telah diseimbangkan diuji menggunakan delapan algoritma klasifikasi, yaitu NN, KNN, Decision Tree, Random Forest, Naive Bayes, AdaBoost, SVM, dan Logistic Regression. Evaluasi menerapkan cross-validation 10-fold dan seleksi fitur.

Hasil eksperimen menunjukkan bahwa pendekatan yang diusulkan meningkatkan akurasi dibandingkan dengan data primer asli. Di antara algoritma yang diuji pada kasus infeksi dengue, algoritma klasifikasi AdaBoost menghasilkan akurasi tertinggi, yaitu 87,0%. Metode baru tersebut kemudian diuji pada kasus penyakit hipotiroid untuk menunjukkan efektivitas dan efisiensinya dalam meningkatkan akurasi. Pada kasus tersebut, AdaBoost menghasilkan akurasi tertinggi sebesar 99,7%, dengan rata-rata AUC, F1, precision, dan recall menuju 99,8%.

Melalui kegiatan ini, UDINUS menangani permasalahan penelitian yang berkaitan dengan kesehatan, klasifikasi infeksi dengue, dan dataset yang tidak seimbang. Kegiatan ini mendukung tujuan yang dinyatakan melalui penggunaan klasifikasi, resampling, pembobotan kelas, cross-validation, dan seleksi fitur untuk menguji akurasi pada data diagnosis klinis. Temuan yang dilaporkan menempatkan metode yang diusulkan sebagai metode yang dapat diterapkan pada permasalahan klasifikasi dalam dataset yang tidak seimbang.

Rujukan https://www.scopus.com/pages/publications/85164251628?origin=resultslist