Implementasi random forest dengan seleksi fitur information gain dan hyperparameter tuning untuk klasifikasi penyakit alzheimer

Penyakit Alzheimer merupakan salah satu penyebab utama penurunan kualitas hidup pada lansia, terutama bagi mereka yang berusia 65 tahun ke atas. Salah satu masalah yang dihadapi pada kasus Alzheimer adalah sulitnya melakukan diagnosis lebih awal untuk mencegah perkembangan penyakit ini, karena gejala awal sering disalahartikan sebagai pikun. Dengan menggunakan metode Random Forest dengan seleksi fitur Information Gain dan optimasi hyperparameter tuning, penelitian ini bertujuan mengetahui hasil optimasi dengan seleksi fitur dan hyperparameter tuning menggunakan Random Search dan Grid Search untuk mengklasifikasi data rekam medis Alzheimer yang terdiri dari 32 variabel meliputi faktor gaya hidup, pengukuran klinis, penilaian kognitif dan fungsional, serta gejala-gejala yang mengindikasikan Alzheimer. Hasil penelitian menunjukkan bahwa penerapan seleksi fitur Information Gain dan optimasi parameter dengan metode Grid Search mencapai akurasi tertinggi diantara semua percobaan yang diuji. Random Forest dengan Information Gain dan Grid Search memberikan akurasi sebesar 95.57%, sensitivitas sebesar 92.93%, dan spesifisitas sebesar 96.99% yang menunjukkan performa yang lebih baik dibandingkan dengan metode Random Search. Hal ini menunjukkan bahwa optimasi parameter memiliki peran penting dalam meningkatkan performa model. Penelitian ini berkontribusi dalam membantu paramedis menentukan apakah seorang pasien menderita penyakit Alzheimer atau tidak dengan karakteristik yang diperoleh dari data.