Sumber gambar: Newgen Software, Modernize Healthcare with the Power of AI and Data Science.s
Halo Sobat Data!
Pada edisi #IDEA (Insight Data Eksplorasi Akademik) kali ini, kita akan membahas riset yang berada di antara dua bidang penting, yaitu data science dan kesehatan. Topiknya adalah bagaimana teknologi dapat membantu proses klasifikasi tingkat keparahan disabilitas intelektual secara lebih terstruktur.
Penelitian ini ditulis oleh Ibu Nuchaila Ainiyah, S.Mat., M.Stat., dosen Data Science Telkom University Surabaya yang akrab disapa Bu Nucha, bersama tim peneliti. Judul jurnalnya adalah “Application of the Random Forest Classifier Method in Grouping Patients with Intellectual Disabilities.”
Menentukan tingkat keparahan disabilitas intelektual bukan proses yang sederhana. Tenaga medis perlu melihat riwayat pasien, hasil pemeriksaan, kondisi psikologis, serta kemampuan adaptif dalam kehidupan sehari-hari. Karena itu, pengelompokan pasien berdasarkan tingkat keparahan membutuhkan data yang rapi, proses analisis yang cermat, dan interpretasi yang tetap mempertimbangkan kondisi klinis pasien.
Bu Nucha dan tim menggunakan Random Forest Classifier untuk membantu mengklasifikasikan pasien ke dalam tiga tingkat keparahan, yaitu ringan, sedang, dan berat. Metode ini dipilih karena mampu membaca banyak karakteristik pasien sekaligus dan menghasilkan prediksi yang lebih stabil melalui gabungan beberapa pohon keputusan. Dalam konteks data medis, kestabilan model penting karena satu variabel saja tidak cukup untuk menggambarkan kondisi pasien secara utuh.
Data yang digunakan merupakan data sekunder dari rekam medis pasien rawat jalan di rumah sakit jiwa. Sebelum dianalisis, data melalui tahap pembersihan dan persiapan agar informasi yang digunakan lebih sesuai untuk proses pelatihan model. Tahap ini penting karena kualitas data sangat menentukan kualitas hasil klasifikasi.
Total data yang dianalisis berjumlah 124 pasien. Dari jumlah tersebut, 45 pasien atau sekitar 36% berada pada kategori ringan, 37 pasien atau sekitar 30% berada pada kategori sedang, dan 42 pasien atau sekitar 34% berada pada kategori berat. Komposisi ini relatif seimbang, sehingga model memiliki peluang untuk mempelajari pola dari setiap kategori tanpa terlalu didominasi oleh satu kelompok tertentu.
Beberapa karakteristik pasien juga diperhatikan, seperti jenis kelamin, usia, dan urutan kelahiran. Pada data yang dianalisis, jumlah pasien laki-laki terlihat lebih tinggi dibandingkan perempuan pada setiap tingkat keparahan. Informasi seperti ini tidak dapat langsung dibaca sebagai hubungan sebab-akibat, tetapi dapat menjadi bahan awal untuk memahami variasi karakteristik pasien dalam dataset.
Untuk menguji performa model, penelitian ini menggunakan K-Fold Cross Validation. Secara sederhana, data dibagi ke beberapa bagian, lalu model dilatih dan diuji secara bergantian agar hasil evaluasi tidak hanya bergantung pada satu pembagian data. Evaluasi juga dilakukan menggunakan confusion matrix untuk membantu melihat apakah model benar mengklasifikasikan pasien ke kategori yang sesuai atau masih mengalami kesalahan prediksi..
Hasil evaluasi menunjukkan bahwa Random Forest Classifier memperoleh akurasi sebesar 84% pada dataset penelitian. Artinya, model mampu mengklasifikasikan sebagian besar data pasien dengan benar. Angka ini menunjukkan bahwa model memiliki kemampuan klasifikasi yang cukup baik pada dataset penelitian, tetapi tetap menyisakan kemungkinan kesalahan klasifikasi yang perlu diperhatikan.
Temuan ini memperlihatkan bahwa machine learning dapat membantu proses analisis data medis, terutama dalam membaca pola dari banyak variabel secara lebih cepat dan konsisten. Namun, hasil model tetap harus dipahami sebagai alat bantu, bukan pengganti keputusan klinis. Diagnosis, penentuan terapi, dan intervensi pasien tetap berada pada kewenangan tenaga medis melalui pemeriksaan langsung dan pertimbangan profesional.
Riset Bu Nucha dan tim memperlihatkan bahwa Random Forest tidak hanya digunakan untuk pengolahan data secara teknis, tetapi juga dapat diterapkan pada persoalan kesehatan yang membutuhkan analisis lebih terarah dan interpretasi yang hati-hati.
Penelitian ini menunjukkan bahwa data science dapat mendukung proses pengambilan keputusan di bidang kesehatan. Bukan untuk menggantikan tenaga medis, tetapi untuk membantu membaca pola data secara lebih sistematis sehingga proses analisis dapat dilakukan dengan lebih terarah.
Selengkapnya, artikel jurnal Bu Nucha dan tim dapat diakses melalui laman IJCONSIST berikut:
https://ijconsist.org/index.php/ijconsist/article/view/162
Terus ikuti sesi #IDEA untuk mengeksplorasi lebih banyak penelitian menarik di bidang sains data dan aplikasinya di dunia nyata!
Yuk segera daftarkan diri kamu di Data Science Telkom University Surabaya dan wujudkan impianmu!
Playing with Data, Winning the Era.
More info:
Website: https://bds-sby.telkomuniversity.ac.id/
Instagram: https://www.instagram.com/ds.telkomsurabaya/