<![CDATA[Penyakit Alzheimer merupakan gangguan neurodegeneratif progresif yang menjadi penyebab utama demensia, namun deteksi dininya di Indonesia masih terkendala oleh mahalnya metode pencitraan otak seperti MRI dan PET Scan. Machine learning menawarkan alternatif deteksi dini berbasis data klinis rutin yang lebih terjangkau dan mudah diakses. Penelitian ini bertujuan mengembangkan model deteksi dini Alzheimer menggunakan algoritma Random Forest yang dioptimalkan melalui seleksi fitur dan disertai analisis interpretabilitas SHAP (SHapley Additive exPlanations) pada data klinis non-pencitraan. Dataset yang digunakan bersumber dari Kaggle, terdiri dari 2.149 data pasien dengan 32 fitur prediktor setelah pra-pemrosesan, mencakup aspek demografis, medis, kognitif, dan fungsional. Ketidakseimbangan kelas pada data latih (1.111 pasien sehat berbanding 608 pasien Alzheimer) ditangani menggunakan SMOTE. Seleksi fitur dilakukan melalui kombinasi Random Forest Feature Importance dan RFECV (Recursive Feature Elimination with Cross-Validation) dengan skema 5-fold Stratified Cross-Validation, sementara optimasi hyperparameter dilakukan menggunakan GridSearchCV terhadap 72 kombinasi parameter. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan performa yang sangat baik dengan accuracy 94,19%, precision 94,41%, recall 88,82%, F1-Score 91,53%, dan ROC-AUC 0,938. Hasil RFECV secara objektif memvalidasi bahwa seluruh 32 fitur tetap relevan bagi model, berbeda dari pendekatan pemangkasan fitur sepihak pada penelitian acuan. Analisis SHAP mengungkap bahwa Functional Assessment, ADL, MMSE, Memory Complaints, dan Behavioral Problems merupakan lima fitur paling dominan, dengan pola hubungan berbentuk ambang batas pada Functional Assessment dan ADL, serta interpretasi transparan pada level individu pasien melalui waterfall plot. Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan sistem pendukung keputusan medis untuk deteksi dini Alzheimer yang akurat sekaligus interpretatif.]]>
Copyrights © 2026
