Klasifikasi anemia menggunakan Algoritma XGBoost berdasarkan data Hematologi

Indonesia:

Anemia merupakan masalah kesehatan global yang membutuhkan deteksi dini secara cepat dan akurat. Diagnosis manual berbasis parameter hematologi seringkali membutuhkan tenaga ahli dan rentan terhadap inkonsistensi, terutama di fasilitas layanan kesehatan primer. Penelitian ini bertujuan mengevaluasi kinerja algoritma Extreme Gradient Boosting (XGBoost) dalam mengklasifikasikan anemia menggunakan dataset hematologi minimalis yang terdiri dari parameter hemoglobin (Hb), mean corpuscular volume (MCV), mean corpuscular hemoglobin (MCH), dan mean corpuscular hemoglobin concentration (MCHC). Dataset berjumlah 1.421 data dengan label biner (0 = tidak anemia, 1 = anemia). Optimasi dilakukan menggunakan hyperparameter tuning Grid Search dengan variasi n_estimators (50, 70, 100) dan tiga rasio pembagian data (60:40, 70:30, 80:20), menghasilkan sembilan kombinasi eksperimen. Hasil terbaik diperoleh pada rasio 70:30 dengan n_estimators=100, menghasilkan accuracy 0,9415, precision 0,8889, recall 0,9892, dan F1-score 0,9364. Analisis misklasifikasi menunjukkan seluruh kesalahan terpusat pada kasus borderline dengan hemoglobin 12,0–13,3 g/dL. Penelitian ini membuktikan XGBoost mampu mempertahankan performa klasifikasi tinggi menggunakan parameter hematologi dasar, sehingga berpotensi diterapkan sebagai alat bantu deteksi dini anemia di fasilitas kesehatan primer.

Inggris:

Anemia is a global health problem with high prevalence requiring fast and accurate early detection. Manual diagnosis based on hematological parameters often requires expert knowledge and is prone to inconsistency, particularly in primary healthcare facilities with limited resources. This study aims to evaluate the performance of the Extreme Gradient Boosting (XGBoost) algorithm in classifying anemia using a minimal hematological dataset consisting of hemoglobin (Hb), mean corpuscular volume (MCV), mean corpuscular hemoglobin (MCH), and mean corpuscular hemoglobin concentration (MCHC). The dataset comprises 1,421 records with binary labels (0 = non-anemia, 1 = anemia). Optimization was performed using Grid Search hyperparameter tuning with n_estimators variations (50, 70, 100) and three data splitting ratios (60:40, 70:30, 80:20), producing nine experimental combinations. The best configuration was achieved at a 70:30 split ratio with n_estimators=100, yielding accuracy of 0.9415, precision of 0.8889, recall of 0.9892, and F1-score of 0.9364. Misclassification analysis revealed all errors were concentrated in borderline cases with hemoglobin values of 12.0–13.3 g/dL. This study demonstrates that XGBoost maintains high classification performance using only basic hematological parameters, making it potentially applicable as an early anemia detection tool in primary healthcare facilities.

Arab:

يُعد فقر الدم مشكلة صحية عالمية ذات معدل انتشار مرتفع تتطلب الكشف المبكر السريع والدقيق. وغالبًا ما يتطلب التشخيص اليدوي القائم على المعايير الدموية معرفة متخصصة، كما أنه عرضة للتباين، لا سيما في مرافق الرعاية الصحية الأولية ذات الموارد المحدودة. تهدف هذه الدراسة إلى تقييم أداء خوارزمية Extreme Gradient Boosting (XGBoost) في تصنيف فقر الدم باستخدام مجموعة بيانات دموية محدودة تتكون من الهيموجلوبين (Hb)، وحجم الخلية الكرياتي المتوسط (MCV)، والهيموجلوبين الكرياتي المتوسط (MCH)، وتركيز الهيموجلوبين الكرياتي المتوسط (MCHC). تتألف مجموعة البيانات من ١.٤٢١ سجلًا مع تصنيفات ثنائية (0 = عدم الإصابة بفقر الدم، 1 = الإصابة بفقر الدم). تم إجراء التحسين باستخدام ضبط المعلمات الفائقة «Grid Search» مع تباينات في n_estimators (٥٠ ، ٧٠ ، ١٠٠) وثلاث نسب لتقسيم البيانات (٦٠:٤٠، ٧٠:٣٠، ٨٠:٢٠)، مما أدى إلى إنتاج تسع تركيبات تجريبية. تم تحقيق أفضل تكوين عند نسبة تقسيم ٧٠:٣٠ مع n_estimators=100، مما أدى إلى دقة قدرها ٠,٩٤١٥، وضبط قدره ٠,٨٨٨٩، واسترجاع قدره ٠,٩٨٩٢، ودرجة F1 قدرها ٠,٩٣٦٤. كشف تحليل الأخطاء التصنيفية عن جميع الأخطاء. استخدم تقييم النموذج مقاييس الدقة، والضبط، والاسترجاع، ومؤشر F1. وكشف تحليل الأخطاء التصنيفية أن جميع الأخطاء تركزت في الحالات الحدية التي تتراوح فيها قيم الهيموجلوبين بين ١٢,٠ و١٣,٣ غ/ديسيلتر. وتُظهر هذه الدراسة أن نموذج XGBoost يحافظ على أداء تصنيفي عالٍ باستخدام المعلمات الدموية الأساسية فقط، مما يجعله قابلاً للتطبيق كأداة للكشف المبكر عن فقر الدم في مرافق الرعاية الصحية الأولية.