Klasifikasi Tingkat Keparahan Demam Dengue Menggunakan Algoritma Random Forest Berdasarkan Parameter Complete Blood Count
Demam Berdarah Dengue (DBD) merupakan salah satu penyakit menular yang masih menjadi masalah kesehatan global dengan angka kejadian yang terus meningkat, termasuk di Indonesia. Penentuan tingkat keparahan infeksi dengue, mulai dari Demam Dengue (DD), Demam Berdarah Dengue (DBD), hingga Dengue Shock Syndrome (DSS), menjadi faktor penting dalam menentukan penanganan medis yang tepat. Namun, proses klasifikasi masih menghadapi berbagai tantangan, terutama karena pendekatan berbasis aturan (rule-based) yang banyak digunakan bersifat statis dan tidak mampu beradaptasi terhadap perkembangan data medis. Sementara itu, metode machine learning konvensional seperti Decision Tree juga memiliki keterbatasan berupa risiko overfitting dan sensitivitas terhadap perubahan data, sehingga diperlukan pendekatan yang lebih stabil, adaptif, dan mampu memanfaatkan data laboratorium secara komprehensif.
Karya ini mengembangkan sistem klasifikasi multiclass berbasis algoritma Random Forest yang memanfaatkan parameter Complete Blood Count (CBC) untuk mengidentifikasi tingkat keparahan infeksi dengue secara lebih akurat. Performa model ditingkatkan melalui seleksi fitur menggunakan Analysis of Variance (ANOVA) sehingga hanya parameter hematologi yang paling berpengaruh digunakan dalam proses klasifikasi. Selain menghasilkan prediksi, sistem juga mengintegrasikan Explainable Artificial Intelligence (XAI) untuk memberikan penjelasan mengenai kontribusi setiap parameter laboratorium terhadap keputusan model. Dengan demikian, sistem tidak hanya berfungsi sebagai alat bantu deteksi dini yang memiliki akurasi tinggi, tetapi juga menyediakan hasil yang transparan dan mudah dipahami oleh tenaga medis sebagai pendukung pengambilan keputusan klinis dalam ekosistem kesehatan digital.
Kunjungi kami lebih lanjut di:
