PENERAPAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI DATA MEDIS DALAM DIAGNOSA GLAUKOMA

Abstrak

Glaukoma merupakan salah satu penyebab kebutaan permanen yang memerlukan deteksi dini untuk mencegah kerusakan saraf optik. Penelitian ini bertujuan untuk membandingkan algoritma Random Forest dan Support Vector Machine (SVM) dalam klasifikasi glaukoma menggunakan data tabular pasien. Dataset yang digunakan terdiri dari 477 data rumah sakit serta dataset pembanding eksternal untuk menguji kemampuan generalisasi model. Atribut yang digunakan meliputi usia, jenis kelamin, visus mata kanan, visus mata kiri, serta fitur turunan berupa selisih dan rata-rata visus. Hasil pengujian pada dataset rumah sakit menunjukkan bahwa algoritma Support Vector Machine memiliki performa terbaik dengan akurasi sebesar 98,96%, precision 98,44%, recall 100%, dan F1-score 99,21%, sedangkan Random Forest memperoleh akurasi sebesar 97,92%. Namun, pada pengujian menggunakan dataset pembanding, performa kedua algoritma mengalami penurunan. SVM memperoleh akurasi sebesar 72,31%, sedangkan Random Forest sebesar 68,46%. Penurunan performa ini menunjukkan adanya perbedaan distribusi data dan keterbatasan atribut klinis yang memengaruhi kemampuan generalisasi model. Penelitian ini menyimpulkan bahwa SVM lebih optimal pada dataset internal, namun diperlukan pengembangan lebih lanjut untuk meningkatkan kemampuan generalisasi model sebelum diterapkan secara luas.

Glaucoma is one of the leading causes of permanent blindness and requires early detection to prevent optic nerve damage. This study aims to compare the Random Forest and Support Vector Machine (SVM) algorithms in glaucoma classification using patients’ tabular data. The dataset consists of 477 hospital records and an external comparative dataset to evaluate the model’s generalization capability. The attributes used include age, gender, right eye visual acuity, left eye visual acuity, and derived features such as visual acuity difference and average visual acuity. The results on the hospital dataset show that the Support Vector Machine achieved the best performance with an accuracy of 98.96%, precision of 98.44%, recall of 100%, and F1-score of 99.21%, while Random Forest achieved an accuracy of 97.92%. However, performance decreased when tested on the external dataset. SVM achieved an accuracy of 72.31%, whereas Random Forest achieved 68.46%. This decline indicates differences in data distribution and limitations of clinical attributes affecting the model’s generalization capability. This study concludes that SVM is more optimal for the internal dataset, however, further development is required to improve generalization performance before wider clinical implementation.