MODEL KLASIFIKASI TINGKAT KEPARAHAN TUMOR TULANG MENGGUNAKAN ALGORITMA DECISION TREE BERBASIS FITUR KLINIS

Rani Dwi Destianti; Melan  DumasarI Gultom; Gina Noviamanti

Authors

Rani Dwi Destianti POLITEKNIK GEOLOGI DAN PERTAMBANGAN AGP, Indonesia
Melan DumasarI Gultom POLITEKNIK GEOLOGI DAN PERTAMBANGAN AGP, Indonesia
Gina Noviamanti POLITEKNIK GEOLOGI DAN PERTAMBANGAN AGP, Indonesia

Keywords:

Decision Tree, klasifikasi tumor tulang, machine learning, akurasi

Abstract

Kanker tulang merupakan salah satu penyakit serius yang memerlukan penanganan dini dan akurat untuk meningkatkan prognosis pasien. Permasalahan proses diagnosis dan klasifikasi tingkat keparahan tumor tulang yang dilakukan secara manual oleh tenaga medis sering kali menghadapi tantangan berupa kompleksitas data klinis serta subjektivitas dalam pengambilan keputusan. Oleh karena itu, diperlukan sistem berbasis machine learning yang dapat membantu meningkatkan akurasi dan efisiensi dalam proses klasifikasi tingkat keparahan tumor tulang. Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat keparahan tumor tulang menggunakan algoritma Decision Tree yang mampu mengolah data klinis pasien secara otomatis. Metode yang digunakan dalam penelitian ini meliputi tahapan Knowledge Discovery in Databases (KDD), yang terdiri dari seleksi data, praproses data, transformasi, pemodelan dengan algoritma Decision Tree, serta evaluasi model. Dataset yang digunakan berasal dari platform Kaggle, yang mencakup berbagai fitur klinis seperti ukuran tumor, lokasi, dan tingkat metastasis. Evaluasi model dilakukan menggunakan teknik validasi silang (cross-validation) serta metrik performa seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu mencapai akurasi sebesar 88,5%, dengan presisi 86,7%, recall 84,3%, dan F1-score 85,5%. Hasil ini menunjukkan bahwa model yang dikembangkan dapat membantu dalam proses klasifikasi tingkat keparahan tumor tulang dengan tingkat keakuratan yang tinggi dan dapat diandalkan sebagai sistem pendukung keputusan medis.

References

Ruheezainab, “Bone Tumor Dataset,” Kaggle, 2023. [Online]. Available: https://www.kaggle.com

U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From Data Mining to Knowledge Discovery in Databases,” AI Magazine, vol. 17, no. 3, pp. 37–54, 1996.

J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, vol. 1, no. 1, pp. 81–106, 1986.

D. M. W. Powers, “Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation,” J. Mach. Learn. Technol., vol. 2, no. 1, pp. 37–63, 2011.

R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection,” in Proc. 14th Int. Joint Conf. Artificial Intelligence, 1995, pp. 1137–1145.

L. Breiman, “Random Forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001.

M. D. Rifai, “Penerapan Algoritma KNN untuk Meningkatkan Model Deteksi Dini Diabetes,” Tugas Akhir, STMIK IKMI Cirebon, 2025.

E. Fix and J. L. Hodges, “Discriminatory Analysis: Nonparametric Discrimination,” USA Air Force School of Aviation Medicine, 1951.

U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From Data Mining to Knowledge Discovery in Databases,” AI Magazine, vol. 17, no. 3, pp. 37–54, 1996.

J. Bergstra and Y. Bengio, “Random Search for Hyper-Parameter Optimization,” J. Mach. Learn. Res., vol. 13, pp. 281–305, 2012.

D. M. W. Powers, “Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation,” J. Mach. Learn. Technol., vol. 2, no. 1, pp. 37–63, 2011.

R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection,” in Proc. 14th Int. Joint Conf. Artificial Intelligence, 1995, pp. 1137–1145.