<![CDATA[Penyebaran cacar monyet yang cepat dan sulit dikendalikan membutuhkan metode prediksi penyakit yang akurat. Kesalahan prediksi false negative dapat menyebabkan infeksi tidak terdeteksi. Sebaliknya, diagnosis false positive menimbulkan kecemasan yang tidak perlu dan membebani fasilitas kesehatan dengan kasus yang sebenarnya tidak terinfeksi. Penelitian ini dilakukan untuk mengetahui pengaruh SelectKBest dan SMOTEENN terhadap akurasi model klasifikasi penyakit cacar monyet. Dataset yang digunakan berisi rekam medis gejala klinis pasien cacar monyet dengan dimensi (25.000, 11). Tahapan pengolahan data meliputi pengumpulan data, analisis data eksploratif (Exploratory Data Analysis / EDA), prapemrosesan, pemodelan, dan evaluasi. Penelitian ini menggunakan empat variasi dataset, yaitu dataset asli tanpa modifikasi, dataset hasil seleksi fitur menggunakan SelectKBest, dataset hasil resampling menggunakan SMOTEENN, serta dataset hasil kombinasi SelectKBest dan SMOTEENN. Hasil penelitian menunjukkan bahwa kombinasi SelectKBest dan SMOTEENN terbukti paling efektif dalam meningkatkan akurasi model klasifikasi. Algoritma XGBoost mencapai akurasi sebesar 100%, diikuti oleh Gradient Boosting dengan akurasi 98,57%, serta AdaBoost sebesar 89,97%. Temuan ini menunjukkan bahwa pemilihan fitur yang tepat, yang dikombinasikan dengan metode resampling data, mampu meningkatkan performa model dalam klasifikasi penyakit cacar monyet.]]>
Copyrights © 2026
