Perbandingan Algoritma Decision Tree dan Random Forest Dalam Pengklasifikasian Penyakit Tiroid

Abstract

Penyakit tiroid telah menjadi masalah kesehatan yang semakin meningkat di Indonesia. Salah satu penyebabnya adalah rendahnya kesadaran masyarakat terhadap gejala dan kelainan tiroid, sehingga banyak kasus yang tidak terdiagnosa dan tidak mendapatkan perawatan yang tepat. Terdapat dua jenis tiroid yaitu hipertiroid dan hipotiroid, di antaranya beberapa jenis yang bersifat ganas. Penyakit tiroid ganas dapat mengganggu fungsi tubuh dan bahkan menyebabkan kematian. Dalam dunia kesehatan, melakukan klasifikasi dan prediksi sangat diperlukan, terutama dengan menggunakan teknik data mining untuk menganalisis data dalam jumlah besar yang tersimpan pada suatu database. Machine Learning merupakan bidang ilmu yang berfokus pada pembangunan sistem yang dapat belajar dan meningkatkan performanya berdasarkan data. Decision Tree dan Random Forestmerupakan dua algoritma yang digunakan untuk memprediksi pengobatan penyakit tiroid. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki akurasi yang lebih tinggi, yaitu 94,81%, dibandingkan dengan Decision Tree yang memiliki akurasi 93,51%. Selain itu, nilai AUC (Area Under Curve) dari Random Forest mencapai 0,983, sedangkan Decision Tree hanya 0,922. Kedua nilai ini menunjukkan kategori klasifikasi yang sangat baik. Penelitian ini menyimpulkan bahwa Random Forest lebih baik digunakan dalam pengklasifikasian penyakit tiroid karena performanya yang lebih tinggi dan akurasi yang lebih baik.