Ensemble Learning untuk Prediksi Risiko Penyakit Paru-Paru

Abstract

Merokok merupakan faktor risiko utama penyakit paru-paru seperti PPOK dan kanker paru-paru. Dengan menggunakan algoritma Ensemble, penelitian ini bertujuan untuk memprediksi kerusakan organ pernapasan yang disebabkan oleh merokok. Metode Ensemble dipilih karena kemampuannya untuk meningkatkan akurasi prediksi dengan menggabungkan model seperti XGBoost, Random Forest, dan Regresi Logistik melalui Voting Classifier. Hasil menunjukkan bahwa model Voting Classifier mencapai akurasi 87%, lebih tinggi daripada model individual seperti XGBoost (81%), Regresi Logistik (77%), dan Random Forest (74%). Faktor penting dalam prediksi meliputi durasi merokok dan jumlah rokok yang dikonsumsi setiap hari. Meskipun kelas Sedang memiliki tingkat kesalahan yang lebih tinggi, model ensemble tetap merupakan metode yang andal untuk deteksi dini dan skrining, tetapi efektif dalam mengklasifikasikan tingkat kerusakan paru-paru, terutama pada kelas Tinggi dan skrining berbasis data medis.

Kata kunci : Paru-paru, Ensemble, XGBoost, Random Forest, Regresi Logistik.