Penerapan isolation forest sebagai deteksi outlier untuk klasifikasi penyakit menggunakan metode XGBoost

Penyakit autoimun merupakan kondisi ketika sistem kekebalan tubuh menyerang jaringan tubuh sendiri. Keragaman gejala klinis serta tingginya variasi data pasien membuat proses diagnosis menjadi sulit jika hanya mengandalkan metode konvensional. Oleh karena itu, diperlukan pendekatan berbasis machine learning yang mampu menangani kompleksitas data dan meningkatkan akurasi klasifikasi. Penelitian ini bertujuan untuk mendeteksi data outlier pada data pasien penyakit autoimun menggunakan metode Isolation Forest serta mengevaluasi kinerja klasifikasi penyakit autoimun dengan metode Extreme Gradient Boosting (XGBoost) setelah dilakukan penanganan outlier dan optimasi parameter. Dataset yang digunakan terdiri dari tujuh kelas penyakit autoimun dengan sejumlah variabel klinis sebagai fitur masukan. Proses pengujian dilakukan dengan memvariasikan nilai contamination percentage (CP) pada Isolation Forest, dilanjutkan dengan hyperparameter tuning pada model XGBoost. Evaluasi model dilakukan menggunakan skema K-Fold Cross Validation dengan metrik akurasi, sensitivitas, dan spesifisitas. Hasil penelitian menunjukkan bahwa penerapan Isolation Forest dengan nilai CP sebesar 10% mampu mengurangi pengaruh data outlier dan menghasilkan kinerja klasifikasi yang lebih stabil. Model XGBoost terbaik menghasilkan akurasi sebesar 89.31%, sensitivitas 88.14%, dan spesifisitas 98.18%. Hasil ini menunjukkan keseimbangan yang baik antara kemampuan mendeteksi penyakit dan meminimalkan kesalahan klasifikasi. Dengan demikian, kombinasi Isolation Forest dan XGBoost berpotensi dikembangkan sebagai sistem pendukung Keputusan untuk membantu tenaga medis dalam diagnosis penyakit autoimun.