<![CDATA[Asma merupakan salah satu penyakit kronis pada sistem pernapasan yang prevalensinya terus meningkat dan memerlukan deteksi dini untuk mencegah komplikasi serius. Salah satu tantangan dalam klasifikasi asma menggunakan machine learning adalah ketidakseimbangan kelas yang menyebabkan model cenderung memprediksi kelas mayoritas sehingga kemampuan mendeteksi kasus asma menjadi rendah. Penelitian ini mengusulkan penerapan SMOTE dan seleksi fitur Information Gain dalam algoritma XGBoost untuk mengatasi permasalahan tersebut. Dataset yang digunakan terdiri dari 2.392 data dengan 28 atribut, di mana tahapan penelitian meliputi preprocessing, seleksi fitur menggunakan Information Gain yang mengurangi fitur menjadi 22 fitur, penyeimbangan data menggunakan SMOTE, pembagian data dengan rasio 90:10, 80:20, dan 70:30, serta klasifikasi menggunakan XGBoost. Pengujian dilakukan terhadap empat skenario pendekatan untuk membandingkan kontribusi setiap metode yang diterapkan. Evaluasi dilakukan menggunakan data uji seimbang dan data uji asli dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa skenario terbaik diperoleh pada kombinasi Information Gain + SMOTE + XGBoost dengan rasio 90:10 pada data uji seimbang, menghasilkan akurasi 75%, presisi 87,5%, recall 58,33%, dan F1-score 70%. Hasil tersebut menunjukkan bahwa kombinasi seleksi fitur dan penyeimbangan data mampu meningkatkan kemampuan model dalam mendeteksi penyakit asma.]]>
Copyrights © 2026
