Klasifikasi Multiclass status anemia menggunakan metode Artificial Neural Network (ANN) berbasis Parameter Complete Blood Count (CBC)

INDONESIA:

Anemia adalah kondisi kesehatan yang ditandai dengan rendahnya kadar hemoglobin dalam darah sehingga mengganggu kemampuan darah dalam mengangkut oksigen ke seluruh tubuh. Diagnosis anemia dilakukan melalui pemeriksaan Complete Blood Count (CBC), namun proses interpretasinya masih bergantung pada analisis manual yang berpotensi menimbulkan kesalahan, terutama pada data berskala besar dengan karakteristik antar kelas yang saling tumpang tindih. Penelitian ini bertujuan untuk mengklasifikasikan status anemia secara multiclass berdasarkan parameter CBC menggunakan metode Artificial Neural Network (ANN). Dataset yang digunakan berasal dari Kaggle Anemia Types Classification yang terdiri dari 1.281 data dan 14 atribut CBC. Data diproses melalui tahapan preprocessing, normalisasi Min–Max, serta penyeimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE). Model ANN diuji melalui delapan skenario dengan variasi jumlah neuron, nilai learning rate, serta penggunaan SMOTE dan Non-SMOTE. Evaluasi performa dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score, serta divalidasi menggunakan metode 5-fold cross validation. Hasil terbaik menunjukkan accuracy sebesar 83%, precision 79%, recall 81%, dan F1-score 79%.

ENGLISH:

Anemia is a health condition characterized by low hemoglobin levels in the blood, which reduces the ability of blood to transport oxygen throughout the body. Anemia diagnosis is commonly performed using Complete Blood Count (CBC) examination; however, the interpretation process still largely relies on manual analysis, which may lead to errors, especially in large-scale data with overlapping class characteristics. This study aims to classify anemia status in a multiclass setting based on CBC parameters using the Artificial Neural Network (ANN) method. The dataset used was obtained from the Kaggle Anemia Types Classification dataset, consisting of 1,281 samples with 14 CBC attributes. Data were processed through preprocessing, Min–Max normalization, and data balancing using the Synthetic Minority Oversampling Technique (SMOTE). The ANN model was evaluated under eight experimental scenarios with variations in the number of neurons, learning rate, and the use of SMOTE and Non-SMOTE. Model performance was assessed using accuracy, precision, recall, and F1-score, and validated using 5-fold cross validation. The best results achieved an accuracy of 83%, precision of 79%, recall of 81%, and F1-score of 79%.

ARABIC:

فقر الدم هو مشكلة صحية تتطلب تشخيصًا مبكرًا دقيقًا. يتم تحديد أنواع فقر الدم بشكل عام من خلال اختبارات تعداد الدم الكامل (CBC)، ولكن عملية التفسير لا تزال تعتمد بشكل كبير على التحليل اليدوي، مما قد يؤدي إلى حدوث أخطاء، خاصة في البيانات واسعة النطاق التي تتداخل خصائصها بين الفئات. تهدف هذه الدراسة إلى تصنيف حالات فقر الدم متعددة الفئات بناءً على معايير تعداد الدم الكامل باستخدام طريقة الشبكة العصبية الاصطناعية (ANN). تم استخدام مجموعة البيانات من تصنيف أنواع فقر الدم Kaggle Anemia Types Classification التي تضم ما مجموعه 1281 نقطة بيانات و 14 سمة CBC. تمت معالجة البيانات من خلال المعالجة المسبقة، والتطبيع Min–Max ، وموازنة البيانات باستخدام تقني (SMOTE). تم اختبار نموذج ANN من خلال ثمانية سيناريوهات مع اختلافات في عدد الخلايا العصبية ومعدل التعلم واستخدام SMOTE و Non-SMOTE. تم إجراء التقييم باستخدام مقاييس الدقة والإحكام والاسترجاع و F1-score، بالإضافة إلى التحقق المتقاطع الخماسي. أظهرت أفضل النتائج دقة بنسبة 83٪ وإحكام بنسبة 79٪ واسترجاع بنسبة 81٪ و F1-score بنسبة 79٪.