<![CDATA[Penyakit batu empedu merupakan kondisi yang cukup umum terjadi, namun sering kali tidak terdeteksi hingga muncul komplikasi, sehingga pentingnya deteksi dini menjadi semakin penting. Penelitian ini bertujuan untuk mengusulkan pendekatan seleksi fitur hibrid yang bersifat model-agnostik dengan menggabungkan metode statistik (ANOVA) dan explainable machine learning (multi-model SHAP) untuk meningkatkan kinerja prediksi batu empedu sekaligus tetap menjaga interpretabilitas model. Kerangka yang diusulkan diuji menggunakan dataset klinis yang terdiri dari 319 pasien dengan 38 variabel, yang mencakup data demografis, bioimpedansi, dan parameter laboratorium. Proses seleksi fitur dilakukan melalui beberapa konfigurasi bobot (\alpha=0.3,\ 0.5,\ 0.7) guna melihat keseimbangan antara kontribusi statistik dan berbasis model. Hasil penelitian menunjukkan bahwa fitur seperti C-Reactive Protein (CRP), Vitamin D, Bone Mass, serta parameter fungsi hati secara konsisten berperan dalam prediksi, yang menggambarkan keterkaitan antara inflamasi, metabolisme, dan fungsi hati dalam pembentukan batu empedu. Performa terbaik diperoleh pada \alpha=0.7 khususnya metode Gradient Boosting dengan akurasi 0.8646 dan recall 0.875, sedangkan \alpha=0.5 menghasilkan nilai AUC tertinggi sebesar 0.905. Secara keseluruhan, pendekatan ini memberikan solusi yang cukup andal dan mudah dipahami untuk mendukung deteksi dini.]]>
Copyrights © 2026
