<![CDATA[Hantavirus merupakan penyakit zoonosis dengan angka fatalitas tinggi (30–50%), sementara metode prognosis klinis yang tersedia masih terbatas dalam memperkirakan keselamatan pasien secara individual. Studi ini mengembangkan kerangka benchmarking ensemble learning yang sadar-ketidakseimbangan (imbalance-aware) untuk memprediksi risiko kematian pasien Hantavirus berdasarkan data klinis pada saat pasien tiba di rumah sakit. Data yang digunakan berupa dataset simulatif surveilans Hantavirus global sebanyak 2.000 kasus yang mencakup sepuluh negara dan lima strain virus, dengan komposisi kelas yang sangat timpang (proporsi kematian hanya 7,75%). Dua algoritma ensemble, yakni Random Forest dan XGBoost, dilatih dengan optimasi hiperparameter Bayesian dan dipadukan dengan teknik hibrida SMOTE-Tomek untuk mengatasi ketimpangan kelas. Penelitian bertujuan menguji efektivitas SMOTE-Tomek pada data latih, membandingkan kinerja Random Forest dan XGBoost pada kondisi data timpang, serta mengidentifikasi faktor penentu prediksi melalui Feature Importance dan SHAP. Hasil memperlihatkan Random Forest yang dipadukan SMOTE-Tomek memberikan performa paling stabil (akurasi 85%, F1-Score kelas minoritas 0,1892, dan MCC 0,1107) dan unggul dibanding XGBoost. Analisis SHAP menempatkan usia pasien serta durasi karantina sebagai fitur paling berpengaruh. Temuan ini menegaskan pentingnya penanganan ketimpangan kelas berbasis resampling hibrida untuk membangun model prediksi mortalitas yang baik sekaligus interpretabel sebagai penunjang keputusan klinis]]>
Copyrights © 2026
