Penerapan Algoritma Machine Learning Untuk Sistem Prediksi Penyakit Osteoporosis

Abstract

Osteoporosis adalah suatu kondisi yang ditandai dengan menurunnya kepadatan tulang, yang menyebabkan tulang menjadi rapuh dan mudah patah. Penyakit ini menjadi perhatian penting karena dapat menyebabkan kecacatan, patah tulang, dan kematian, terutama pada populasi lansia. Deteksi dini osteoporosis sangat penting untuk mencegah perkembangan penyakit melalui intervensi yang tepat waktu. Penelitian ini bertujuan untuk mengembangkan sistem prediksi berbasis machine learning yang mampu mendeteksi osteoporosis dengan menggunakan tiga algoritma yang berbeda, yaitu Random Forest, Support Vector Machine (SVM), dan Gradient Boosting. Penelitian ini melibatkan analisis dan perbandingan performa dari algoritma tersebut berdasarkan metrik evaluasi seperti Akurasi, Presisi, Recall, dan F1 Score. Data yang digunakan diproses dalam dua format, yaitu ordinal dan one-hot encoding, untuk menilai dampak dari teknik pengkodean pada kinerja model. Hasil penelitian menunjukkan bahwa algoritma Gradient Boosting memiliki performa terbaik pada kedua jenis data, dengan Akurasi tertinggi sebesar 91.07% pada data one-hot encoding. Sementara itu, SVM dan Random Forest juga menunjukkan kinerja yang kompetitif tetapi dengan hasil yang sedikit lebih rendah. Penelitian ini menyimpulkan bahwa Gradient Boosting adalah algoritma yang paling efektif untuk prediksi osteoporosis dalam penelitian ini. Temuan ini dapat menjadi dasar untuk pengembangan lebih lanjut dalam deteksi dini osteoporosis dan mendukung upaya pencegahan dan pengobatan yang lebih efektif dan efisien.

Keywords

• algoritma machine learning
• gradient boosting
• osteoporosis
• random forest
• support vector machine