<![CDATA[Kanker paru adalah gangguan sistem pernapasan terutama pada paru-paru yang disebabkan oleh pertumbuhan sel kanker. Mutasi EGFR adalah mutasi yang terjadi pada gen EGFR yang berperan penting dalam menangani sel kanker tanpa proses operasi. Deteksi mutasi EGFR masih sulit untuk dilakukan sehingga membutuhkan pendekatan baru untuk mendeteksi mutasi EGFR dengan aman, akurat, dan efisien. Penelitian ini bertujuan untuk membangun model Random Forest yang dapat digunakan untuk mendeteksi mutasi EGFR pada pasien kanker paru. Penelitian ini juga melibatkan beberapa teknik preprocessing data dan optimasi hyperparameter untuk membangun model dengan kinerja terbaik. Penelitian ini menggunakan data sekunder yang bersumber dari data klinis pasien RSUD Dr. Saiful Anwar Kota Malang pada tahun 2018 dan 2019. Hasil penelitian ini menunjukkan bahwa SMOTE sebagai metode resampling terbaik yang mampu meningkatkan kinerja model Random Forest hingga memperoleh accuracy 0,975, f1-score 0,969, dan AUC 0,994 pada data uji. Kombinasi hyperparameter n trees 50, max depth 7 dan 9, dan min samples split 3 dan 5 menjadi kombinasi hyperparameter terbaik berdasarkan pengujian data uji dengan accuracy 0,975, f1-score 0,969, dan AUC 0,997. Model yang dihasilkan diharapkan dapat berkontribusi dalam perkembangan di bidang teknologi dan kesehatan terutama dalam penanganan pasien kanker paru di Indonesia.]]>
Copyrights © 2025
