OPTIMASI MODEL RANDOM FOREST MENGGUNAKAN GRIDSEARCHCV UNTUK MENINGKATKAN AKURASI KLASIFIKASI TINGKAT KONTROL ASMA

Ade Irfan; Nana Suarna; Agus Bahtiar; Indra Wiguna Marthanu

Authors

Ade Irfan STMIK IKMI Cirebon, Indonesia
Nana Suarna STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia
Indra Wiguna Marthanu STMIK IKMI Cirebon, Indonesia

Keywords:

Random Forest, Hyperparameter Tuning, GridSearchCV

Abstract

Penelitian ini bertujuan untuk membangun model klasifikasi tingkat kontrol asma menggunakan algoritma Random Forest serta mengoptimalkan performanya melalui teknik hyperparameter tuning. Permasalahan dalam penelitian ini adalah pentingnya identifikasi tingkat kontrol asma secara akurat berdasarkan berbagai faktor yang mempengaruhi kondisi pasien. Dataset yang digunakan merupakan dataset sintetik yang merepresentasikan karakteristik pasien asma dengan berbagai fitur, seperti family history dan physical activity. Sebelum dilakukan pemodelan, data melalui tahap preprocessing yang meliputi pembersihan data, transformasi menggunakan label encoding, serta normalisasi dengan metode Min-Max Scaling. Selanjutnya, data dibagi menjadi data latih dan data uji menggunakan metode stratified sampling. Model Random Forest dilatih dengan parameter awal dan kemudian dioptimasi menggunakan metode GridSearchCV untuk memperoleh kombinasi parameter terbaik. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Random Forest yang telah dioptimasi memiliki performa yang sangat baik dengan akurasi mencapai 98,6%. Selain itu, hasil analisis menunjukkan bahwa fitur family history dan physical activity memiliki kontribusi terbesar dalam proses prediksi. Meskipun demikian, penggunaan dataset sintetik menjadi salah satu keterbatasan penelitian ini sehingga diperlukan pengujian lebih lanjut menggunakan data nyata untuk meningkatkan kemampuan generalisasi model.

References

O. L. Usman, R. C. Muniyandi, K. Omar, and M. Mohamad, “Advance Machine Learning Methods for Dyslexia Biomarker Detection: A Review of Implementation Details and Challenges,” Ieee Access, vol. 9, pp. 36879–36897, 2021, doi: 10.1109/access.2021.3062709.

M. Saeed, A. Naseer, H. Masood, S. U. Rehman, and V. Gruhn, “The Power of Generative AI to Augment for Enhanced Skin Cancer Classification: A Deep Learning Approach,” Ieee Access, vol. 11, pp. 130330–130344, 2023, doi: 10.1109/access.2023.3332628.

C. Greco, O. Matarazzo, G. Cordasco, A. Vinciarelli, Z. Callejas, and A. Esposito, “Discriminative Power of EEG-Based Biomarkers in Major Depressive Disorder: A Systematic Review,” Ieee Access, vol. 9, pp. 112850–112870, 2021, doi: 10.1109/access.2021.3103047.

X. Qin, F. M. Bui, H. H. Nguyen, and Z. Han, “Learning From Limited and Imbalanced Medical Images With Finer Synthetic Images From GANs,” Ieee Access, vol. 10, pp. 91663–91677, 2022, doi: 10.1109/access.2022.3202560.

J. Chicaiza, S. D. Villota, P. G. V Naranjo, and R. Rumipamba-Zambrano, “Contribution of Deep-Learning Techniques Toward Fighting COVID-19: A Bibliometric Analysis of Scholarly Production During 2020,” Ieee Access, vol. 10, pp. 33281–33300, 2022, doi: 10.1109/access.2022.3159025.

Md. N. Mowla, N. Mowla, A. F. M. S. Shah, K. M. Rabie, and T. Shongwe, “Internet of Things and Wireless Sensor Networks for Smart Agriculture Applications: A Survey,” Ieee Access, vol. 11, pp. 145813–145852, 2023, doi: 10.1109/access.2023.3346299.

C. H. Rashid et al., “Software Cost and Effort Estimation: Current Approaches and Future Trends,” Ieee Access, vol. 11, pp. 99268–99288, 2023, doi: 10.1109/access.2023.3312716.

Md. O. F. Goni et al., “Diagnosis of Malaria Using Double Hidden Layer Extreme Learning Machine Algorithm With CNN Feature Extraction and Parasite Inflator,” Ieee Access, vol. 11, pp. 4117–4130, 2023, doi: 10.1109/access.2023.3234279.

Y. Zhang, Y. He, H. Zhang, J. Li, Y. Li, and J. Liu, “Classification Method of Voltage Sag Sources Based on Sequential Trajectory Feature Learning Algorithm,” Ieee Access, vol. 10, pp. 38502–38510, 2022, doi: 10.1109/access.2022.3164675.

N. A. Al-johany, F. Eassa, S. Sharaf, A. Y. Noaman, and A. A. A. Gad-Elrab, “Prediction and Correction of Software Defects in Message-Passing Interfaces Using a Static Analysis Tool and Machine Learning,” Ieee Access, vol. 11, pp. 60668–60680, 2023, doi: 10.1109/access.2023.3285598.

Md. O. F. Goni et al., “Diagnosis of Malaria Using Double Hidden Layer Extreme Learning Machine Algorithm With CNN Feature Extraction and Parasite Inflator,” Ieee Access, vol. 11, pp. 4117–4130, 2023, doi: 10.1109/access.2023.3234279.

T. Xie, Q. Shang, and Y. Yu, “Automated Traffic Incident Detection: Coping With Imbalanced and Small Datasets,” Ieee Access, vol. 10, pp. 35521–35540, 2022, doi: 10.1109/access.2022.3161835.

F. Farhadi, R. Palacín, and P. T. Blythe, “Machine Learning for Transport Policy Interventions on Air Quality,” Ieee Access, vol. 11, pp. 43759–43777, 2023, doi: 10.1109/access.2023.3272662.