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

294 lines
12 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters

This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.

# 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 |
## Link Google Colab
[Notebook Tugas Machine Learning Kelompok 4](https://colab.research.google.com/drive/1MSMqFfpP0jDcdzhfFSF9cim_Udnnr7g0?usp=sharing)
## Link Video Presentasi
[Video Presentasi Kelompok 4 - YouTube](https://youtu.be/r0ngSvb1cUE?si=rqgJ8k3A_KAayqwA)
## 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
```text
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
--------