Pendekatan dengan Oversampling dan Undersampling untuk Meningkatkan Akurasi Diagnostik Kanker Tiroid

Abstract

Kanker tiroid, yang menjadi perhatian global dan sering kali tidak memiliki gejala awal, sehingga memerlukan deteksi yang tepat. Penelitian ini menggunakan Support Vector Machine (SVM) untuk identifikasi subtype kanker tiroid, yang bertujuan untuk meningkatkan akurasi, sensitivitas, dan spesifisitas. Dengan memanfaatkan data klinis, penelitian ini menggabungkan pemrosesan awal data dan memanfaatkan Random Over-Sampling (ROS) dan Random Under-Sampling (RUS) untuk mengatasi ketidakseimbangan kelas. Hasilnya menunjukkan kinerja klasifikasi yang tinggi, dengan data sampel menunjukkan sensitivitas yang unggul. Penerapan SVM yang sukses, bersama dengan ROS dan RUS, menjanjikan akurasi diagnostik yang lebih baik dan hasil pasien yang lebih baik.