Klasifikasi penyakit sirosis hati menggunakan Metode Lightgbm dengan penanganan Outlier One Class SVM

Organ tubuh manusia yang memiliki peran penting dalam menjaga kesehatan salah satunya adalah hati. Berdasarkan data WHO tahun 2016 angka kematian penyakit sirosis pertahun mencapai 1.3 juta jiwa pertahun dan menjadi salah satu dari 10 penyakit paling mematikan di Indonesia dengan angka kematian lebih dari dua juta pertahun. Berdasarkan tingginya angka kematian tersebut penting melakukan klasifikasi penyakit sirosis agar dapat terdeteksi dan melakukan pengobatan sejak dini. Data penelitian merupakan data sekuder dengan 10 variabel yang berisikan data medis dan data gaya hidup. Penelitian klasifikasi penyakit sirosis menggunakan machine learning pada penanganan outlier One Class SVM dalam menghapus data outlier yang mempengaruhi pengambilan keputusan sehingga dapat meningkatkan keakuratan model klasifikasi menggunakan metode LightGBM. Hasil pada penelitian didapatkan dengan menggunakan metode LightGBM mendapatkan hasil akurasi sebesar 93.21%, sensitivitas sebesar 90.59%, dan spesifisitas sebesar 96.10%, sedangkan hasil dari sesudah dilakukan penanganan outlier dengan menggunakan One Class SVM dengan klasifikasi LightGBM memperoleh hasil akurasi sebesar 95.03%, sensitivitas sebesar 96.39%, dan spesifisitas sebesar 93.59%, sehingga dapat kesimpulan bahwa dengan menggunakan penanganan outlier One Class SVM dan LightGBM mendapatkan hasil akurasi lebih baik yang dibuktikan dengan peningkatan akurasi pada hasil klasifikasi sebesar 1.82%. Didapatkan kesimpulan bahwa dengan menggunakan penanganan outlier One Class SVM dan LightGBM mendapatkan performa terbaik yang ditunjukkan dengan peningkatan akurasi pada model klasifikasi.