<![CDATA[Kanker tiroid berdiferensiasi (Differentiated Thyroid Cancer/DTC) memiliki tingkat perulangan sekitar 20%, sehingga identifikasi sejak dini menjadi krusial untuk intervensi dan rencana perawatan terhadap kekambuhan. Penelitian ini menggunakan dataset dari UCI Machine Learning Repository yang berisi 17 atribut klinis pasien dengan proporsi data latih dan uji 80:20. Untuk menangani ketidakseimbangan kelas, diterapkan Synthetic Minority Over-sampling Technique (SMOTE). Model Decision Tree, Support Vector Machine (SVM), dan Logistic Regression digunakan sebagai base learner, sementara meta learner dipilih dari salah satu algoritma tersebut untuk membentuk Stack Ensemble Learning. Decision Tree adalah model paling stabil, dengan akurasi 97% baik sebagai model tunggal, dengan SMOTE, maupun sebagai meta learner dalam Stack Ensemble. SVM memiliki akurasi 83% pada dataset asli, yang meningkat menjadi 94% setelah diterapkan SMOTE. Logistic Regression menunjukkan akurasi 96% di semua skenario. Stack Ensemble dengan meta learning Decision Tree dan Logistic Regression mempertahankan akurasi 97%, sedangkan SVM sebagai meta learner menunjukkan penurunan AUC. Analisis kurva ROC (Receiver Operating Characteristics) menunjukkan bahwa Stack Ensemble dan SMOTE meningkatkan AUC untuk Logistic Regression dan Decision Tree, namun SVM sebagai meta learner dengan dataset SMOTE mengalami penurunan performa dengan nilai terendah 0,94. Hasil ini membuktikan bahwa kombinasi Stack Ensemble dan SMOTE efektif dalam menangani ketidakseimbangan data pada dataset Differentiated Thyroid Cancer Recurrence.]]>
Copyrights © 2025
