2026-11-14 12:58:49 +07:00

12 KiB
Raw Permalink Blame History

Prediksi Rawat Jalan Atau Rawat Inap Pasien Berdasarkan Hasil Pemeriksaan Laboratorium Menggunakan Algoritma Decision Tree Dan Random Forest

Repository ini merupakan dokumentasi proyek Tugas Besar 1 – Evaluasi Tengah Semester mata kuliah Pembelajaran Mesin (INFO-3527) yang dikerjakan oleh Kelompok 4, Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Bhayangkara Jakarta Raya.

Proyek ini bertujuan membangun model klasifikasi Machine Learning untuk memprediksi status perawatan pasien, yaitu Rawat Jalan (RWJ) atau Rawat Inap (RWI), berdasarkan hasil pemeriksaan laboratorium darah lengkap (hematologi).

Anggota Kelompok

No. Nama NPM Tanggung Jawab
1 Aditya Saputra 202410715057 Decision Tree Classifier
2 Azis Andriansyah 202410715077 Data Preprocessing & Evaluasi Komparatif
3 Faris Nur Hakim 202410715142 Random Forest Classifier

Notebook Tugas Machine Learning Kelompok 4

Video Presentasi Kelompok 4 - YouTube

Dataset

Dataset yang digunakan adalah DataSet-Tugas-1.csv, yang berisi data hasil pemeriksaan laboratorium pasien.

Dataset awal terdiri dari 4.517 baris data dan 9 kolom, yaitu 8 atribut numerik hematologi sebagai fitur prediksi dan 1 atribut target bernama SOURCE.

Atribut Fitur

Delapan atribut pemeriksaan laboratorium yang digunakan:

  1. Hematokrit
  2. Hemoglobin
  3. Jumlah Eritrosit
  4. Jumlah Lekosit
  5. Jumlah Trombosit
  6. MCH
  7. MCHC
  8. MCV

Kelas Target

Label Keterangan Encoding
RWI Rawat Inap 0
RWJ Rawat Jalan 1

Distribusi Kelas Awal

Kelas Jumlah Persentase
RWJ (Rawat Jalan) 2.633 58,29%
RWI (Rawat Inap) 1.884 41,71%
Total 4.517 100%

Hasil pemeriksaan awal menunjukkan tidak terdapat missing values pada seluruh kolom. Ditemukan satu baris data duplikat yang kemudian dihapus pada tahap data cleaning.

Solusi dan Metode yang Digunakan

Proyek ini menggunakan pendekatan Supervised Learning, khususnya klasifikasi, dengan dua algoritma utama.

1. Decision Tree Classifier

Decision Tree merupakan algoritma klasifikasi berbasis struktur pohon keputusan. Algoritma ini melakukan pemisahan data berdasarkan atribut tertentu untuk menghasilkan keputusan klasifikasi.

Pada proyek ini, Decision Tree dioptimasi menggunakan GridSearchCV dengan metode 5-Fold Cross Validation untuk memperoleh konfigurasi parameter terbaik.

2. Random Forest Classifier

Random Forest merupakan algoritma Ensemble Learning berbasis Bagging yang menggabungkan beberapa Decision Tree untuk menghasilkan prediksi akhir melalui mekanisme Majority Voting.

Pada proyek ini, Random Forest menggunakan 200 pohon keputusan (n_estimators=200). Penggunaan banyak pohon bertujuan mengurangi variansi dan meningkatkan kemampuan generalisasi model.

Tahapan Data Preprocessing

Proses pra-pemrosesan data dilakukan melalui tahapan berikut:

  1. Data Loading: Mengunduh dan memuat dataset DataSet-Tugas-1.csv menggunakan Python.
  2. Exploratory Data Analysis (EDA): Memeriksa struktur data, tipe data, missing values, data duplikat, statistik deskriptif, dan distribusi kelas.
  3. Data Cleaning: Menghapus satu baris data duplikat.
  4. Label Encoding: Mengubah label target menjadi nilai numerik, yaitu RWI = 0 dan RWJ = 1.
  5. Data Balancing: Menerapkan Random Oversampling pada kelas minoritas RWI agar jumlah kedua kelas seimbang.
  6. Data Splitting: Membagi data menjadi 80% data training dan 20% data testing menggunakan stratifikasi kelas dan random_state=42.
  7. Model Training: Melatih model Decision Tree dan Random Forest pada masing-masing skenario.
  8. Model Evaluation: Mengevaluasi model menggunakan Accuracy, ROC-AUC, Classification Report, Confusion Matrix, dan Feature Importance.

Skenario Pengujian

Pengujian dilakukan menggunakan dua skenario untuk membandingkan performa algoritma pada data asli dan data yang telah diseimbangkan.

Scenario A — Data Asli

Skenario A menggunakan data setelah preprocessing tanpa penerapan Random Oversampling.

Keterangan Jumlah
Total Data 4.516
RWJ (Rawat Jalan) 2.633
RWI (Rawat Inap) 1.883
Data Training (80%) 3.612
Data Testing (20%) 904

Scenario B — Data Balanced

Skenario B menggunakan Random Oversampling pada kelas minoritas RWI hingga jumlah sampel kedua kelas menjadi seimbang.

Keterangan Jumlah
Total Data 5.266
RWJ (Rawat Jalan) 2.633
RWI (Rawat Inap) 2.633
Data Training (80%) 4.212
Data Testing (20%) 1.054

Kedua skenario menggunakan rasio pembagian data 80:20 dengan stratifikasi kelas dan random_state=42.

Hasil Pemodelan dan Evaluasi

1. Decision Tree Classifier

Parameter terbaik Decision Tree diperoleh melalui GridSearchCV dengan konfigurasi:

  • Criterion: Entropy
  • Max Depth: 4
  • Min Samples Leaf: 2

Hasil evaluasi Decision Tree:

Metrik Scenario A Scenario B
Accuracy 71,68% 80,17%
ROC-AUC 73,84% 80,17%

Pada Scenario B, Recall kelas RWI meningkat dari 53,85% menjadi 86,15% setelah penerapan Random Oversampling.

2. Random Forest Classifier

Random Forest menggunakan konfigurasi 200 pohon keputusan. Pada Scenario A, konfigurasi yang digunakan adalah:

  • n_estimators: 200
  • max_depth: 15
  • min_samples_split: 5

Hasil evaluasi Random Forest:

Metrik Scenario A Scenario B
Accuracy 71,35% 84,25%
ROC-AUC 76,02% 91,92%

Pada Scenario B, Recall kelas RWI mencapai 86,72%, sedangkan Recall kelas RWJ mencapai 81,78%.

Perbandingan Kinerja Model

Berikut rangkuman perbandingan empat model berdasarkan Accuracy dan ROC-AUC.

No. Model dan Skenario Accuracy ROC-AUC
1 Decision Tree (Scenario A - Data Asli) 71,68% 73,84%
2 Random Forest (Scenario A - Data Asli) 71,35% 76,02%
3 Decision Tree (Scenario B - Balanced) 80,17% 80,17%
4 Random Forest (Scenario B - Balanced) 84,25% 91,92%

Berdasarkan hasil komparasi, Random Forest Scenario B merupakan model dengan performa terbaik, memperoleh Accuracy sebesar 84,25% dan ROC-AUC sebesar 91,92%.

Dibandingkan Decision Tree Scenario B, Random Forest menghasilkan peningkatan Accuracy sebesar 4,08 poin persentase dan ROC-AUC sebesar 11,75 poin persentase.

Feature Importance

Feature Importance digunakan untuk mengetahui tingkat kepentingan relatif setiap atribut dalam proses klasifikasi.

Decision Tree Classifier

Peringkat Atribut Gini Importance Kontribusi
1 Jumlah Trombosit 0,247946 24,79%
2 Hematokrit 0,167396 16,74%
3 Jumlah Lekosit 0,164009 16,40%
4 MCV 0,092768 9,28%
5 Jumlah Eritrosit 0,091196 9,12%
6 MCH 0,087803 8,78%
7 MCHC 0,086550 8,66%
8 Hemoglobin 0,062332 6,23%

Random Forest Classifier

Peringkat Atribut Gini Importance Kontribusi
1 Jumlah Trombosit 0,226315 22,63%
2 Jumlah Lekosit 0,138709 13,87%
3 Hematokrit 0,123333 12,33%
4 Jumlah Eritrosit 0,118080 11,81%
5 MCV 0,104921 10,49%
6 Hemoglobin 0,103865 10,39%
7 MCH 0,096100 9,61%
8 MCHC 0,088677 8,87%

Berdasarkan hasil kedua algoritma, Jumlah Trombosit merupakan fitur dengan tingkat kepentingan tertinggi.

Pada Random Forest, tiga fitur teratas adalah Jumlah Trombosit (22,63%), Jumlah Lekosit (13,87%), dan Hematokrit (12,33%).

Simulasi Prediksi Pasien Baru

Kedua algoritma diuji menggunakan dua profil data pemeriksaan laboratorium pasien baru yang sama.

Sampel Decision Tree Random Forest
Pasien A Rawat Jalan (RWJ) Rawat Jalan (RWJ)
Pasien B Rawat Inap (RWI) Rawat Inap (RWI)

Probabilitas Prediksi

Sampel Algoritma Probabilitas RWJ Probabilitas RWI
Pasien A Decision Tree 89,06% 10,94%
Pasien A Random Forest 84,50% 15,50%
Pasien B Decision Tree 4,80% 95,20%
Pasien B Random Forest 10,00% 90,00%

Kedua algoritma menghasilkan prediksi kelas yang sama pada kedua sampel pasien.

Hasil simulasi merupakan keluaran model klasifikasi dan bukan diagnosis atau keputusan medis.

Teknologi dan Library

Proyek dikembangkan menggunakan Python melalui Google Colab dengan beberapa library berikut:

  • Python — bahasa pemrograman utama.
  • Google Colab — lingkungan pengembangan dan eksekusi notebook.
  • Pandas — pengolahan dan manipulasi dataset.
  • NumPy — komputasi numerik.
  • Matplotlib — visualisasi data dan hasil evaluasi.
  • Seaborn — visualisasi grafik dan Confusion Matrix.
  • Scikit-learn — preprocessing, pelatihan model, GridSearchCV, dan evaluasi Machine Learning.
  • gdown — mengunduh dataset dari Google Drive.

Struktur Repository

ETS_MACHINE_LEARNING_KELOMPOK_4/
│
├── README.md
├── tugas-ml-ets-kel4.ipynb
└── DataSet-Tugas-1.csv

Keterangan:

  • README.md — dokumentasi proyek.
  • tugas-ml-ets-kel4.ipynb — notebook yang berisi kode Python, EDA, preprocessing, pelatihan model, simulasi, dan evaluasi.
  • DataSet-Tugas-1.csv — dataset pemeriksaan laboratorium yang digunakan dalam eksperimen.

Cara Menjalankan Notebook

  1. Clone atau unduh repository ini.
  2. Buka file tugas-ml-ets-kel4.ipynb menggunakan Google Colab atau Jupyter Notebook.
  3. Pastikan dataset DataSet-Tugas-1.csv dapat diakses sesuai lokasi yang digunakan dalam kode.
  4. Pastikan library yang dibutuhkan telah tersedia.
  5. Jalankan seluruh cell notebook secara berurutan mulai dari proses akuisisi dataset hingga evaluasi model.

Kesimpulan

Pemodelan klasifikasi Machine Learning berhasil diimplementasikan untuk memprediksi status perawatan pasien berdasarkan delapan atribut pemeriksaan darah lengkap.

Penerapan deduplikasi data dan Random Oversampling meningkatkan performa kedua algoritma pada eksperimen ini. Decision Tree mengalami peningkatan Accuracy dari 71,68% menjadi 80,17%, sedangkan Random Forest meningkat dari 71,35% menjadi 84,25%.

Berdasarkan hasil komparasi, Random Forest Scenario B merupakan model terbaik dengan Accuracy 84,25% dan ROC-AUC 91,92%. Jumlah Trombosit, Jumlah Lekosit, dan Hematokrit menjadi tiga fitur dengan tingkat kepentingan tertinggi pada model Random Forest.

Saran Pengembangan

Beberapa pengembangan yang disarankan berdasarkan laporan proyek:

  1. Menguji teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk membandingkan hasil penyeimbangan kelas.
  2. Membandingkan performa model dengan algoritma berbasis Gradient Boosting, seperti XGBoost atau LightGBM.
  3. Melakukan pengujian dan validasi lebih lanjut sebelum model dipertimbangkan untuk implementasi klinis.

Catatan Metodologi

Pada implementasi eksperimen ini, Random Oversampling dilakukan sebelum pembagian data training dan testing pada Scenario B. Prosedur tersebut berpotensi menyebabkan sampel yang sama muncul pada data training dan testing, sehingga hasil evaluasi dapat menjadi lebih optimistis.

Pengembangan berikutnya disarankan melakukan pembagian data terlebih dahulu dan menerapkan oversampling hanya pada data training untuk mengurangi risiko data leakage.


Mata Kuliah: Pembelajaran Mesin (INFO-3527)
Tugas: Tugas Besar 1 – Evaluasi Tengah Semester
Program Studi: Informatika
Fakultas: Ilmu Komputer
Universitas: Universitas Bhayangkara Jakarta Raya
Tahun: 2026
Kelompok: 4