OPTIMASI KINERJA ALGORITMA MACHINE LEARNING PADA KLASIFIKASI PENYAKIT CACAR MONYET MENGGUNAKAN INFORMATION GAIN DAN GRIDSEARCHCV

Abstract

Penyakit cacar monyet merupakan infeksi virus zoonotik dari genus Orthopoxvirus yang memiliki kemiripan gejala dengan beberapa penyakit lain sehingga menyulitkan proses identifikasi dini. Permasalahan yang dihadapi adalah rendahnya ketepatan diagnosis apabila hanya mengandalkan pengamatan klinis tanpa dukungan metode berbasis data. Penelitian ini bertujuan untuk membangun model klasifikasi penyakit cacar monyet serta menganalisis pengaruh seleksi fitur dan optimasi parameter terhadap performa model. Metode yang digunakan meliputi Support Vector Machine, Random Forest, dan XGBoost dengan penerapan seleksi fitur Information Gain serta optimasi parameter menggunakan GridSearchCV. Tahapan penelitian meliputi pengujian model dengan parameter default, penambahan seleksi fitur, dan optimasi parameter. Evaluasi dilakukan menggunakan metrik akurasi dan F1-Score. Hasil penelitian menunjukkan bahwa penerapan seleksi fitur dan optimasi parameter mampu meningkatkan performa klasifikasi. Model terbaik diperoleh menggunakan XGBoost dengan akurasi sebesar 71,3% dan F1-Score sebesar 81,4%.