Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi dan Sains Teknologi
Asriani, Wahyu
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
IMPLEMENTASI METODE C4.5 UNTUK PREDIKSI RISK-LEVEL KEKAMBUHAN KANKER TIROID TERDIFERENSIASI Mustio, Hesti Ifada; Firmansyah, Hasbi; Asriani, Wahyu
Jurnal Sistem Informasi dan Sains Teknologi Vol 8, No 1 (2026): Jurnal Sistem Informasi dan Sains Teknologi (On Progress)
Publisher : Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/sistek.v8i1.2635

Abstract

AbstrakKanker tiroid terdiferensiasi (Differentiated Thyroid Cancer/DTC) umumnya berprognosis baik, namun sebagian pasien tetap mengalami kekambuhan sehingga diperlukan stratifikasi risiko yang objektif dan mudah diinterpretasi. Penelitian ini bertujuan membangun dan mengevaluasi model klasifikasi berbasis algoritma C4.5 untuk memprediksi tingkat risiko kekambuhan DTC (Low, Intermediate, High) menggunakan dataset “Differentiated Thyroid Cancer Recurrence” dari UCI Machine Learning Repository. Dataset ini merupakan kohort retrospektif 383 pasien dengan follow-up 10 tahun yang memuat 16 fitur klinikopatologis. Algoritma C4.5 dipilih karena mampu menangani atribut numerik dan kategorik, memodelkan hubungan nonlinier, serta menghasilkan pohon keputusan dan aturan if–then yang mudah ditelusuri sehingga sesuai untuk prototipe sistem pendukung keputusan klinis. Tahapan penelitian meliputi prapemrosesan dan pengkodean atribut, pembagian data menjadi data latih dan uji, pelatihan pohon keputusan C4.5 dengan pruning, serta evaluasi menggunakan akurasi, error klasifikasi, presisi tertimbang, dan recall tertimbang. Pada 116 data uji, model menghasilkan akurasi 81,03%, error klasifikasi 18,97%, presisi tertimbang 78,11%, dan recall tertimbang 78,77%. Kesalahan klasifikasi terutama terjadi antara kelas Low dan Intermediate, sementara sebagian besar pasien berisiko tinggi teridentifikasi dengan baik. Temuan ini menunjukkan bahwa C4.5 andal memetakan pola klinis dan berpotensi dimanfaatkan sebagai alat bantu awal dalam stratifikasi risiko kekambuhan DTC.Kata Kunci : Kanker tiroid terdiferensiasi; Kekambuhan; Stratifikasi risiko; Pohon keputusan C4.5; Data mining; Sistem pendukung keputusan klinisAbstractKanker tiroid berdiferensiasi (DTC) umumnya memiliki prognosis yang baik, namun beberapa pasien mengalami kekambuhan, sehingga stratifikasi risiko yang objektif dan dapat diinterpretasikan menjadi sangat penting. Studi ini bertujuan untuk mengembangkan dan mengevaluasi model berbasis C4.5 untuk memprediksi tingkat risiko kekambuhan DTC (Rendah, Menengah, Tinggi) menggunakan dataset “Kekambuhan Kanker Tiroid Berdiferensiasi” dari UCI Machine Learning Repository. Dataset tersebut mencakup 383 pasien dengan tindak lanjut selama 10 tahun dan 16 fitur klinikopatologis. C4.5 dipilih karena kemampuannya untuk menangani atribut numerik dan kategorikal, menangkap hubungan nonlinier, dan menghasilkan pohon keputusan yang dapat dilacak dan aturan if-then yang sesuai untuk pembuatan prototipe dukungan keputusan klinis. Alur kerja terdiri dari pra-pemrosesan data, pengkodean atribut, pemisahan data menjadi set pelatihan dan pengujian, pelatihan pohon keputusan C4.5 yang dipangkas, dan evaluasi kinerja menggunakan akurasi, kesalahan klasifikasi, presisi tertimbang, dan recall tertimbang. Pada 116 contoh pengujian, model tersebut mencapai akurasi 81,03%, kesalahan klasifikasi 18,97%, presisi tertimbang 78,11%, dan recall tertimbang 78,77%. Sebagian besar kesalahan klasifikasi terjadi antara kelas Rendah dan Menengah, sementara pasien berisiko tinggi sebagian besar diidentifikasi dengan benar. Temuan ini menunjukkan bahwa C4.5 dapat menangkap pola klinis dan menjanjikan sebagai alat awal untuk stratifikasi risiko kekambuhan DTC. Kata kunci: Kanker tiroid berdiferensiasi; Kekambuhan; Stratifikasi risiko; Pohon keputusan C4.5; Penambangan data; Sistem pendukung keputusan klinis.
EVALUASI KINERJA MODEL GRADIENT BOOSTED TREES UNTUK PREDIKSI STATUS KOMORBIDITAS PADA PASIEN BATU EMPEDU Amali, Fasya Gilar; Firmansyah, Hasbi; Asriani, Wahyu
Jurnal Sistem Informasi dan Sains Teknologi Vol 8, No 1 (2026): Jurnal Sistem Informasi dan Sains Teknologi (On Progress)
Publisher : Universitas Trilogi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31326/sistek.v8i1.2641

Abstract

ABSTRAK Penelitian ini bertujuan mengevaluasi kinerja model Gradient Boosted Trees (GBT) dalam memprediksi status komorbiditas (ada/tidak ada) pada pasien batu empedu. Data berasal dari UCI Machine Learning Repository dan mencakup 319 individu dengan 38 fitur klinis. Proses pemodelan meliputi pembersihan data, transformasi fitur, pembagian data dengan rasio 70:300 untuk pelatihan dan pengujian, pelatihan model GBT dengan skema 10-fold cross-validation, serta evaluasi menggunakan empat metrik utama, yaitu akurasi, classification error, weighted mean precision, dan weighted mean recall. Hasil eksperimen menunjukkan bahwa model GBT mencapai akurasi 82,29%, classification error 17,71%, weighted mean precision 89,63%, dan weighted mean recall 72,58%. Analisis lebih lanjut mengungkap precision sempurna (100,00%) pada kelas komorbiditas dan recall sempurna (100,00%) pada kelas tanpa komorbiditas, sementara recall kelas komorbiditas hanya 45,16%, yang mengindikasikan bias model terhadap kelas mayoritas dan keterbatasan dalam mendeteksi pasien berkomorbid. Temuan ini menunjukkan bahwa GBT merupakan pendekatan menjanjikan sebagai alat bantu keputusan untuk mengonfirmasi komorbiditas, namun masih kurang ideal sebagai alat skrining awal. Penelitian lanjutan disarankan menerapkan teknik penanganan ketidakseimbangan kelas, optimasi hyperparameter, penyesuaian threshold, serta pembandingan dengan algoritma ensemble lain guna meningkatkan sensitivitas dan generalisasi model. Kata Kunci : Komorbiditas, Batu Empedu, Gradient Boosted Trees, Klasifikasi, RapidMiner, Weighted Mean Precision ABSTRACT This study aims to evaluate the performance of a Gradient Boosted Trees (GBT) model for predicting comorbidity status (present/absent) in gallstone patients. The dataset, obtained from the UCI Machine Learning Repository, comprises 319 individuals with 38 clinical features. The modelling pipeline includes data cleaning, feature transformation, an 70:30 train–test split, GBT training with 10-fold cross-validation, and evaluation using four metrics: accuracy, classification error, weighted mean precision, and weighted mean recall. Experimental results show that the GBT model achieves an accuracy of 82.29%, a classification error of 17.71%, a weighted mean precision of 89.63%, and a weighted mean recall of 72.58%. Further analysis reveals perfect precision (100.00%) for the comorbidity class and perfect recall (100.00%) for the non-comorbidity class, while recall for the comorbidity class is only 45.16%. This pattern indicates bias toward the majority class and limited sensitivity for detecting comorbid patients. These findings suggest that GBT is promising as a decision-support tool to confirm the presence of comorbidity, but less suitable as a primary screening tool. Future research should apply class-imbalance handling, hyperparameter optimisation, threshold adjustment, and comparison with alternative ensemble algorithms to improve sensitivity and generalisability. Keyword : Differentiated thyroid cancer; Recurrence; Risk stratification; C4.5 Decision tree; Data mining; Clinical decision support system.
Co-Authors Amali, Fasya Gilar Firmansyah, Hasbi Mustio, Hesti Ifada