ANALISIS KINERJA ALGORITMA RANDOM FOREST DAN XGBOOST DALAM KLASIFIKASI PENYAKIT CACAR MONYET (MONKEYPOX)

Mohammad Dito Dwi Krisna; Firman Noor Hasan;

ABSTRAK

Analisa Kinerja Algoritma Random Forest Dan XGBoost dalam Klasifikasi Penyakit Cacar Monyet (MonkeyPox)

Mohammad Dito Dwi Krisna

Cacar monyet merupakan penyakit menular yang membutuhkan penanganan yang cepat dan akurat,
khususnya dalam proses diagnosis. Namun, proses identifikasi gejala secara manual masih memakan
waktu dan rentan terhadap kesalahan. Berdasarkan hal tersebut, penelitian ini dilakukan untuk
membangun model klasifikasi berbasis machine learning yang diharapkan mampu membantu proses
diagnosis menjadi lebih efisien. Dalam penelitian ini, digunakan dua algoritma machine learning,
yaitu XGBoost regression dan Random Forest regression. Keduanya diterapkan untuk
mengklasifikasikan pasien yang terinfeksi maupun tidak terinfeksi cacar monyet berdasarkan gejala
klinis yang ada. Fokus utama penelitian ini adalah mengukur seberapa baik kedua algoritma tersebut
dalam membedakan kelas positif dan negatif, terutama saat data yang digunakan tidak seimbang
atau memiliki fitur yang serupa. Data yang digunakan bersumber dari Kaggle dengan jumlah 25.000
entri, masing0masing berisi informasi klinis terkait monkeypox. Sebelum pemodelan dilakukan,
data melalui tahap ekplorasi (EDA) dan pra-pemrosesan, termasuk penanganan data hilang.
Selanjutnya, digunakan teknik validasi silang dan penyetelan parameter untuk mengoptimalkan hasil
klasifikasi. Dari hasil pengujian, XGBoost menunjukkan performa terbaik dengan akurasi 68%,
presisi 69%, recall 89%, dan F1-score 78%. Sementara Random Forest mencatatkan hasil yang
sedikit lebih rendah. Evaluasi menggunakan kurva ROC menunjukkan nilai AUC sebesar 0,60 pada
kedua model, yang menandakan bahwa kemampuan keduanya dalam membedakan kelas positif dan
negatif masih perlu ditingkatkan.

Kata kunci: Klasifikasi, Random Forest, XGBoost, Machine Learning, Cacar Monyet

Performance Analysis of Random Forest and XGBoost Algorithms in the Classification of Monkeypox Disease

Mohammad Dito Dwi Krisna

Monkeypox is a contagious disease that requires prompt and accurate handling, particulary in the
diagnostic process. However, identifying symptomps manually often takes time and is prone to error.
In response to this challenge, this study aims to develop a machine learning based classification
model to support a more efficient diagnosis process. This research applies two machine learning
algorithms XGBoost regression and Random Forest regression to classify patients as infected or
uninfected with monkeypox based on clinical symptoms. The study focuses on assessing how well
each algorithm can distinguish between positive and negative cases, especially when dealing with
imbalanced data or overlapping features. The dataset used consists of 25.000 entries sourced from
Kaggle, each containing clinical indicators related to monkeypox. Before modellong, the data
underwent Exploratory Data Analysis (EDA) and preprocessing, including handling mssing values.
Furthermore, cross-validation and parameter tuning techniques were implemented to optimize
model performance. The results indicate that XGBoost outperformed Random Forest, achieving
68% accuracy, 69% precision, 89% recall, and a 78% F1-score. In contrast, Random Forest yielded
slightly lower scores. Both models were evaluated using the ROC curve, where each reached an
AUC values of 0,60. This suggests that wile both models show potential, their ability to clearly
distinguish between classes positive and negative remains limited and can be improves in future
work.

Keywords: Classification, Random Forest, XGBoost, Machine Learning, Monkeypox