Peningkatan Akurasi Deteksi Liver Disease melalui Hyperparameter Tuning pada Algoritma Random Forest

Abstract

Penyakit liver merupakan salah satu penyebab utama kematian global, sehingga deteksi dini sangat penting untuk mendukung penanganan medis yang cepat dan tepat. Penelitian ini bertujuan meningkatkan akurasi deteksi penyakit liver menggunakan algoritma Random Forest. Dataset yang digunakan adalah Indian Liver Patient Dataset (ILPD) yang terdiri dari 583 entri. Penelitian mengikuti pendekatan CRISP-DM dan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas serta Grid Search CV untuk optimasi hyperparameter. Berbeda dengan penelitian sebelumnya, studi ini menggabungkan SMOTE dan Grid Search secara sistematis untuk meningkatkan performa model pada dataset ILPD. Hasil menunjukkan bahwa akurasi model meningkat dari 74% menjadi 75%, dengan perbaikan pada precision dan recall, khususnya untuk kelas pasien yang terdiagnosis liver disease.Temuan ini menunjukkan bahwa Random Forest yang dioptimalkan melalui pendekatan ini dapat menjadi metode andal dalam mendukung diagnosis dini penyakit liver.