PREDIKSI DIAGNOSIS ANEMIA MELALUI METODE KLASIFIKASI BERBASIS MACHINE LEARNING

Abstract

Abstrak: Anemia adalah kondisi di mana jumlah sel darah merah dalam darah berada di bawah kadar normal, mengakibatkan terhambatnya distribusi oksigen ke organ tubuh. Hal ini dapat menghambat fungsi pernapasan sel dan mengurangi aktivitas tubuh secara optimal. Akibatnya, penderita anemia seringkali mengalami gejala seperti kebingungan, kelelahan, rasa dingin, dan kulit yang pucat. Sayangnya, banyak orang tidak menyadari tanda-tanda kecil ini, dan seringkali hanya mengunjungi rumah sakit ketika anemia telah menjadi penyakit kronis. Perlunya estimasi hasil dan mengevaluasi metode mana yang menghasilkan nilai akurasi yang lebih tepat. Estimasi menggunakan metode Klasifikasi dimana dalam metode ada 3 metode lagi meliputi (1)Decision Tree, (2) Naïve Bayes, (3) K-Nearst Neghtbors, Berdasarkan 3 metode klasifikasi tersebut akan dicari 1 metode terbaik dengan nilai akurasi paling terbaik yang akan digunakan dalam proses pengolahan deploy untuk prediksi penyakit anemia. Decision Tree  keluar sebagai metode terbaik diantara metode klasifikasi lainnya. Dimana metode Decision Tree paling banyak menghasilkan nilai akurasi terbaik dalam 4 pengujian akurasi dengan rasio 90:10, 80:20, 70:30 dan 60:40. Hasilnya metode Decision Tree   memiliki tingkat akurasi sebesar 99% pada rasio pengujian data 90:10 dan 96% pada rasio pengujian data 70:30. Pada rasio 90:10 . Dession Tree menghasilkan nilai estimasi terbaik yaitu Akurasi sebesar 1.0 dan pada Precision sebesar 1.0, serta pada F1-SCORE hasil estimasi sebesar 0.1. Hasil pengujian menunjukkan bahwa Decision Tree secara konsisten mencapai nilai akurasi, presisi, recall, dan F1-Score tertinggi dibandingkan dengan metode klasifikasi lainnya pada semua rasio pembagian data. Penemuan ini mengindikasikan bahwa Decision Tree efektif dalam memprediksi keberadaan anemia berdasarkan parameter yang diuji.

Abstract: Anemia is a condition where the number of red blood cells in the blood is below normal levels, resulting in obstruction of the distribution of oxygen to the body's organs. This can inhibit cell respiratory function and reduce optimal body activity. As a result, anemia sufferers often experience symptoms such as confusion, fatigue, feeling cold, and pale skin. Unfortunately, many people are unaware of these small signs, and often only visit hospital when anemia has become a chronic disease. There is a need to estimate results and evaluate which method produces more precise accuracy values. Estimation uses the Classification method where in the method there are 3 more methods including (1) Decision Tree, (2) Naïve Bayes, (3) K-Nearst Neghtbors. Based on these 3 classification methods, the 1 best method with the best accuracy value will be searched for. in the deployment processing process for predicting anemia. Decision Tree emerged as the best method among other classification methods. Where the Decision Tree method produces the best accuracy values ​​in 4 accuracy tests with ratios of 90:10, 80:20, 70:30 and 60:40. As a result, the Decision Tree method has an accuracy rate of 99% at a data testing ratio of 90:10 and 96% at a data testing ratio of 70:30. At a ratio of 90:10 . The Dession Tree produces the best estimated value, namely Accuracy of 1.0 and Precision of 1.0, and the F1-SCORE estimation result is 0.1. Test results show that Decision Tree consistently achieves the highest accuracy, precision, recall and F1-Score values ​​compared to other classification methods at all data sharing ratios. These findings indicate that the Decision Tree is effective in predicting the presence of anemia based on the parameters tested.