Abstract:
Liver merupakan salah satu organ penting dalam tubuh manusia yang berperan dalam
proses metabolisme tubuh. Mengutip artikel dari American Liver Foundation, pada
tahun 2020 sebanyak 51.642 orang dewasa di Amerika Serikat meninggal akibat
penyakit liver. Data hasil tes fungsi liver dari laboratorium dapat digunakan untuk
mendiagnosis penyakit liver. Klasifikasi penyakit liver pada pasien perlu dilakukan
dengan baik karena hasilnya dapat membantu dalam diagnosis awal apakah seorang
pasien mengidap penyakit liver. Berdasarkan penelitian sebelumnya, metode Support
Vector Machine (SVM) paling baik dalam mengklasifikasikan pasien penyakit liver.
Namun, SVM memiliki kelemahan ketika diterapkan pada dataset dengan kelas yang
tidak seimbang dan tidak bekerja secara akurat ketika terlalu banyak fitur yang tidak
relevan digunakan. Untuk menyeimbangkan kelas pada dataset, digunakan metode
Synthetic Minority Oversampling Technique (SMOTE). Sedangkan untuk seleksi fitur
dilakukan menggunakan metode Ensemble Filter, terdiri dari metode Information
Gain, Gain Ratio, dan Relief-F untuk menangani fitur-fitur tidak relevan. Berdasarkan
hasil pengujian, penerapan SMOTE dan Ensemble Filter pada metode klasifikasi SVM
memberikan hasil terbaik dengan nilai accuracy sebesar 85?n AUC sebesar 0.850.
Dari pengujian tersebut dapat diketahui jika SMOTE pada penyeimbangan kelas dan
Ensemble Filter pada seleksi fitur dapat meningkatkan performa klasifikasi dari
metode SVM.
