DETEKSI KANKER PARU-PARU MENGGUNAKAN TEKNIK ENSEMBLE LEARNING : STUDI KOMPARATIF KINERJA ADABOOST

Abstract

Penyakit kanker paru-paru merupakan penyebab kematian di berbagai negara yang memerlukan deteksi dini untuk meningkatkan peluang keberhasilan medis, namun pengembangan model prediksinya sering terkendala oleh ketidakseimbangan dataset. Penelitian ini bertujuan untuk melakukan analisis komparatif sistematis terhadap empat algoritma ensemble learning, yaitu XGBoost, LightGBM, Bagging, dan AdaBoost, guna mengidentifikasi model terbaik dalam memprediksi risiko kanker paru-paru. Metode penelitian meliputi pra-pemrosesan data menggunakan Lung Cancer Survey Dataset, penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas, serta evaluasi kinerja melalui 10-fold cross-validation. Hasil penelitian menunjukkan bahwa algoritma AdaBoost memberikan performa paling superior dengan perolehan akurasi pengujian sebesar 90,32% dan nilai AUC mencapai 0,9340. Model AdaBoost juga menunjukkan stabilitas tinggi dengan nilai presisi dan recall yang seimbang pada angka 0,9444. Implementasi SMOTE terbukti krusial dalam menyeimbangkan distribusi kelas dari semula 31:216 menjadi 216:216, sehingga seluruh model mampu menghasilkan nilai AUC di atas 0,92. Penelitian ini menyimpulkan bahwa kombinasi penyeimbangan data dan algoritma berbasis boosting merupakan solusi handal yang dapat diintegrasikan ke dalam sistem pendukung keputusan klinis untuk mempercepat diagnosis kanker paru-paru.