Evaluasi Kinerja Algoritma Klasifikasi dalam Memprediksi Gangguan Paru pada dataset PEEP Expiratory Occlusion

Abstrak

Asma merupakan penyakit inflamasi kronis saluran napas yang menjadi masalah kesehatan global,
dengan prevalensi signifikan di Indonesia, mencapai sekitar 2,6% dari total populasi. Tingginya risiko dan
sifat diagnosis konvensional yang seringkali subjektif mendorong kebutuhan mendesak akan sistem deteksi
dini yang objektif dan akurat. Penelitian ini berfokus pada analisis dan perbandingan kinerja tiga
algoritma Machine Learning Random Forest (RF), Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN) dalam mengklasifikasikan kondisi paru, yaitu Asma versus Tidak Asma, berdasarkan
fitur-fitur yang diekstraksi dari sinyal pernapasan pasien. Dataset yang digunakan berasal dari
Respiratory Dataset from PEEP Study with Expiratory Occlusion, melibatkan 78 subjek yang terbagi rata
menjadi 39 pasien asma dan 39 subjek normal. Data diproses melalui ekstraksi fitur yang mencakup
parameter respirasi penting seperti pressure, flow, dan tidal volume, kemudian dibagi menjadi data latih
(80%) dan data uji (20%). Kinerja model dievaluasi secara komprehensif menggunakan metrik Accuracy,
Precision, Recall (Sensitivitas), dan F1-Score untuk memastikan keandalan prediksi. Hasil pengujian
menunjukkan bahwa algoritma Random Forest mencatatkan performa paling unggul dan stabil di seluruh
metrik, mencapai Akurasi 99,39%, F1-Score 98,97%, Recall 98,82%, dan Presisi 99,13%. Disusul oleh
KNN dengan Akurasi 90,97%, sementara SVM dengan kernel RBF menunjukkan kinerja terendah, hanya
mencapai Akurasi 70,82% dan F1-Score yang sangat rendah, yaitu 2,56%, mengindikasikan kegagalan
dalam mengidentifikasi sebagian besar kasus asma positif. Kesimpulannya, pendekatan ensemble learning
Random Forest terbukti paling efektif dalam menangani karakteristik kompleks dan bervariasi dari data
fisiologis pernapasan, menjadikannya model yang direkomendasikan untuk pengembangan sistem
diagnosis dini penyakit asma yang andal.