Analisis klasifikasi penyakit Hepatitis C menggunakan algoritma Naive Bayes dan Random Forest

ABSTRAK

Hepatitis C merupakan penyakit infeksi hati yang memerlukan deteksi dini untuk mencegah komplikasi yang lebih serius. Penelitian ini bertujuan untuk membangun model klasifikasi diagnosis Hepatitis C menggunakan algoritma Naïve Bayes dan Random Forest serta membandingkan kinerja kedua algoritma tersebut. Dataset klinis yang digunakan melalui tahapan preprocessing yang meliputi data cleaning, transformasi data, dan penyeimbangan kelas menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data. Hasil analisis menunjukkan bahwa variabel Aspartate Aminotransferase (AST), Alanine Aminotransferase (ALT), Gamma-Glutamyl Transferase (GGT), Age, dan Albumin (ALB) merupakan faktor yang paling berpengaruh dalam proses klasifikasi penyakit Hepatitis C. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Berdasarkan hasil pengujian dengan rasio pembagian data 70% data latih dan 30% data uji, algoritma Random Forest memperoleh performa terbaik dengan nilai akurasi sebesar 95,14%, precision 0,74, recall 0,68, dan F1-score 0,70. Sementara itu, algoritma Naïve Bayes memperoleh akurasi sebesar 91,35%, precision 0,63, recall 0,70, dan F1-score 0,66. Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu membantu meningkatkan keseimbangan distribusi kelas sehingga model dapat melakukan klasifikasi dengan lebih baik. Berdasarkan perbandingan performa yang diperoleh, algoritma Random Forest terbukti lebih unggul dibandingkan Naïve Bayes dalam klasifikasi penyakit Hepatitis C dan berpotensi digunakan sebagai metode pendukung diagnosis yang lebih akurat.

Kata Kunci: Hepatitis C, Naïve Bayes, Random Forest, SMOTE,Classification.

ABSTRACT

Hepatitis C is a liver infection that requires early detection to prevent more serious complications. This study aims to build a Hepatitis C diagnosis classification model using the Naïve Bayes and Random Forest algorithms and compare the performance of the two algorithms. The clinical dataset used went through preprocessing stages including data cleaning, data transformation, and class balancing using the Synthetic Minority Over-sampling Technique (SMOTE) method to address data imbalance. The analysis results showed that the variables Aspartate Aminotransferase (AST), Alanine Aminotransferase (ALT), Gamma-Glutamyl Transferase (GGT), Age, and Albumin (ALB) were the most influential factors in the Hepatitis C disease classification process. Model evaluation was carried out using accuracy, precision, recall, and F1-score metrics. Based on the test results with a data sharing ratio of 70% training data and 30% test data, the Random Forest algorithm obtained the best performance with an accuracy value of 95.14%, precision of 0.74, recall of 0.68, and F1-score of 0.70. Meanwhile, the Naïve Bayes algorithm achieved an accuracy of 91.35%, a precision of 0.63, a recall of 0.70, and an F1-score of 0.66. The results showed that the application of SMOTE was able to help improve the balance of class distribution so that the model could perform better classification. Based on the performance comparison obtained, the Random Forest algorithm was proven to be superior to Naïve Bayes in classifying Hepatitis C and has the potential to be used as a supporting method for more accurate diagnosis.

Keywords: Hepatitis C, Naive Bayes, Random Forest, SMOTEClassification.

مستخلص البحث

يُعدّ التهاب الكبد الوبائي سي عدوى تصيب الكبد، ويتطلب الكشف المبكر عنها تجنب مضاعفات أكثر خطورة. تهدف هذه الدراسة إلى بناء نموذج لتصنيف تشخيص التهاب الكبد الوبائي سي باستخدام خوارزميتي بايز الساذج والغابة العشوائية، ومقارنة أداء الخوارزميتين. خضعت مجموعة البيانات السريرية المستخدمة لمراحل معالجة مسبقة شملت تنظيف البيانات، وتحويلها، وموازنة الفئات باستخدام تقنية التضخيم الاصطناعي للأقلية (SMOTE) لمعالجة عدم توازن البيانات. أظهرت نتائج التحليل أن متغيرات ناقلة أمين الأسبارتات (AST)، وناقلة أمين الألانين (ALT)، وناقلة غاما غلوتاميل (GGT)، والعمر، والألبومين (ALB) كانت من أكثر العوامل تأثيرًا في عملية تصنيف مرض التهاب الكبد الوبائي سي. وقد تم تقييم النموذج باستخدام مقاييس الدقة، والضبط، والاستدعاء، ومقياس F1. وبناءً على نتائج الاختبار بنسبة مشاركة بيانات 70% لبيانات التدريب و30% لبيانات الاختبار، حققت خوارزمية الغابة العشوائية أفضل أداء بدقة بلغت 95.14%، وضبط 0.74، واستدعاء 0.68، ومقياس F1 بلغ 0.70. في المقابل، حققت خوارزمية بايز البسيطة دقة بلغت 91.35%، وضبط 0.63، واستدعاء 0.70، ومقياس F1 بلغ 0.66. أظهرت النتائج أن تطبيق تقنية SMOTE ساهم في تحسين توازن توزيع الفئات، مما مكّن النموذج من تصنيف البيانات بشكل أفضل. وبناءً على مقارنة الأداء، تبيّن أن خوارزمية الغابة العشوائية تتفوق على خوارزمية بايز البسيطة في تصنيف التهاب الكبد الوبائي سي، ولها إمكانية استخدامها كطريقة مساعدة لتشخيص أكثر دقة.

الكلمات المفتاحية: التهاب الكبد الوبائي سي، بايز البسيطة، الغابة العشوائية، تصنيف