Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Yuda, Gina Syahbani
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan H2O AutoML untuk Prediksi Kanker Kolorektal Artiyasa, Marina; Yuda, Gina Syahbani
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 1 (2025): Februari - April
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i1.395

Abstract

Penelitian ini bertujuan untuk memprediksi hasil kanker kolorektal dan mengidentifikasi faktor risiko utama menggunakan dataset global dari UCI Machine Learning Repository . Dataset mencakup 28 variabel terkait demografi pasien (usia, jenis kelamin, negara), gaya hidup (merokok, konsumsi alkohol, aktivitas fisik), riwayat medis (keluarga, diabetes, mutasi genetik), stadium kanker, pengobatan, tingkat kelangsungan hidup, dan biaya perawatan kesehatan. Metode yang digunakan adalah H2O AutoML , sebuah alat automated machine learning (AutoML) yang melatih berbagai model pembelajaran mesin secara otomatis, termasuk Gradient Boosting Machines (GBM) , Random Forest , dan Deep Learning . Proses analisis melibatkan feature engineering , optimasi hiperparameter, dan evaluasi model berdasarkan metrik seperti akurasi, AUC-ROC, presisi, recall, dan F1-score. Hasil menunjukkan bahwa faktor risiko utama seperti usia, ukuran tumor, gaya hidup, riwayat medis, akses layanan kesehatan, dan biaya perawatan memiliki dampak signifikan terhadap perkembangan dan prognosis penyakit. Variabel seperti biaya perawatan kesehatan (Healthcare_Costs) berkontribusi sebesar 21.53% terhadap prediksi, diikuti oleh ukuran tumor (Tumor_Size_mm) sebesar 11.19% , dan usia pasien (Age) sebesar 10.38% . Model prediksi yang dihasilkan mampu memprediksi tingkat kelangsungan hidup dan respons terhadap pengobatan dengan performa tinggi, serta mengidentifikasi pola data tidak biasa menggunakan teknik seperti Isolation Forest dan Principal Component Analysis (PCA) . Implikasi penelitian ini penting untuk meningkatkan strategi pencegahan, diagnosis dini, dan perawatan kanker kolorektal secara global, terutama dalam mengatasi disparitas akses layanan kesehatan dan biaya pengobatan.
Co-Authors Artiyasa, Marina