Penerapan seleksi fitur information gain dan optimasi grid search pada algoritma xgboost untuk klasifikasi rekurensi penyakit tiroid

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

A'yun, Hana Meidina Qurrota (2026) Penerapan seleksi fitur information gain dan optimasi grid search pada algoritma xgboost untuk klasifikasi rekurensi penyakit tiroid. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Hana Meidina Qurrota A'yun_09040222056.pdf Download (4MB)
	Text Hana Meidina Qurrota A'yun_09040222056_Full.pdf Restricted to Repository staff only until 14 January 2029. Download (4MB)

Abstract

Penyakit tiroid, khususnya Differentiated Thyroid Cancer (DTC), merupakan salah satu gangguan endokrin dengan tingkat kejadian yang tinggi secara global dan berpotensi terus meningkat. Meskipun DTC memiliki Tingkat kesembuhan yang relatif baik, kejadian rekurensi masih menjadi permasalahan klinis yang penting karena dapat muncul kembali setelah terapi awal. Variasi karakteristik klinis dan patologis pasien serta kompleksitas data medis menyebabkan proses prediksi rekurensi menjadi sulit dilakukan secara akurat. Tujuan penelitian ini adalah menerapkan seleksi fitur Information Gain dan optimasi menggunakan Grid Search pada algoritma XGBoost dalam klasifikasi rekurensi penyakit tiroid. Fitur yang digunakan mencakup karakteristik demografis, klinis, patologis, serta respons terhadap terapi, dengan status rekurensi sebagai fitur target. Data penelitian berasal dari rekam medis pasien DTC di Iran yang dikumpulkan selama periode 15 tahun, dengan masa tindak lanjut minimal 10 tahun setelah diagnosis awal. Hasil penelitian menunjukkan bahwa kombinasi seleksi fitur Information Gain dan optimasi menggunakan Grid Search pada algoritma XGBoost menghasilkan performa terbaik dibandingkan dengan metode XGBoost yang dikombinasikan dengan Grid Search, dimana model menghasilkan akurasi sebesar 96,98%, sensitivitas 93,52%, dan spesifisitas 98,44% . Pada model XGBoost yang dikombinasikan dengan seleksi fitur Information Gain dan optimasi Grid Search menghasilkan akurasi sebesar 97,53%, sensitivitas 93,52%, dan spesifisitas 99,22%, yang menunjukkan peningkatan kinerja klasifikasi. Hasil penelitian ini menunjukkan bahwa kombinasi seleksi fitur Information Gain dan optimasi Grid Search pada algoritma XGBoost dapat meningkatkan performa klasifikasi rekurensi.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM A'yun, Hana Meidina Qurrota hanameidina8@gmail.com 09040222056
Contributors:	Contribution Name Email NIDN Thesis advisor Ulinnuha, Nurissaidah nuris.ulinnuha@uinsa.ac.id 2002119001 Thesis advisor Hakim, Lutfi lutfihakimbungah@gmail.com --
Subjects:	Matematika
Keywords:	Grid search; information gain; klasifikasi; rekurensi penyakit tiroid; XGBoost
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Hana Meidina Qurrota A'yun
Date Deposited:	14 Jan 2026 05:44
Last Modified:	14 Jan 2026 07:02
URI:	http://digilib.uinsa.ac.id/id/eprint/86444

Actions (login required)

View Item