Analisis performa light gradient boosting machine (LGBM) dan kontribusi feature importance pada klasifikasi hepatitis c

Hepatitis C merupakan penyakit infeksi hati yang disebabkan oleh virus Hepatitis C (HCV) yang berpotensi berkembang menjadi kondisi kronis, sirosis, hingga kanker hati apabila tidak ditangani secara tepat. Oleh karena itu, klasifikasi kondisi pasien Hepatitis C perlu dilakukan secara akurat sebagai upaya deteksi dini untuk mendukung pengambilan keputusan medis. Berbagai indikator demografis dan hasil pemeriksaan laboratorium, seperti usia, jenis kelamin, albumin, bilirubin, enzim hati, dan protein total, menjadi faktor penting dalam menentukan kondisi pasien. Namun, banyaknya variabel yang digunakan menyebabkan proses analisis secara manual menjadi kurang efisien dan berpotensi menurunkan akurasi klasifikasi. Penelitian ini bertujuan membangun model klasifikasi kondisi pasien Hepatitis C menggunakan metode Light Gradient Boosting Machine (LGBM) serta menganalisis fitur yang paling berpengaruh melalui feature importance. Data yang digunakan merupakan dataset Hepatitis C Prediction yang terdiri atas 615 data pasien dengan lima kelas, yaitu Blood Donor, Suspect Blood Donor, Hepatitis, Fibrosis, dan Cirrhosis. Tahapan penelitian meliputi preprocessing data, penanganan missing value menggunakan median, pengelompokan data menggunakan Stratified K-Fold Cross Validation dengan nilai k = 5, pemodelan menggunakan LGBM, serta evaluasi menggunakan confusion matrix untuk memperoleh nilai accuracy, weighted precision, weighted recall, dan weighted F1-score. Hasil penelitian menunjukkan bahwa model LGBM mampu menghasilkan accuracy sebesar 93,98%, weighted precision sebesar 93,39%, weighted recall sebesar 93,98%, dan weighted F1-score sebesar 93,68%. Selain itu, hasil analisis feature importance menunjukkan bahwa fitur ALT (Alanine Aminotransferase) merupakan variabel yang paling berpengaruh dalam proses klasifikasi dengan nilai feature importance sebesar 1482. Hasil penelitian menunjukkan bahwa metode LGBM mampu memberikan performa klasifikasi yang sangat baik serta dapat digunakan sebagai pendukung dalam identifikasi kondisi klinis pasien Hepatitis C.