OPTIMALISASI FITUR DENGAN FORWARD SELECTION PADA ESTIMASI TINGKAT PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA KLASIFIKASI RANDOM FOREST

Penyakit paru-paru merupakan masalah kesehatan serius di Indonesia, dengan peningkatan kasus dan kematian yang signifikan. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit paru-paru menggunakan algoritma Random Forest dengan metode optimasi fitur Forward Selection. Dataset yang digunakan terdiri dari 1.000 sampel dengan 10 atribut. Penelitian dilakukan dalam dua tahap: pertama, pengujian awal algoritma Random Forest tanpa optimasi fitur, dan kedua, pengujian dengan optimasi fitur menggunakan metode Forward Selection. Hasil pengujian awal menunjukkan akurasi sebesar 89,45%, Presisi 83.20%, Recall 100.00%. Setelah menerapkan optimasi fitur, akurasi meningkat menjadi 92,46%, presisi 95,88%, recall 89.42%. Peningkatan akurasi sebesar 3,01% ini menegaskan pentingnya optimasi fitur dalam meningkatkan performa model klasifikasi. Analisis atribut penting mengidentifikasi bahwa aktivitas olahraga, kebiasaan merokok, dan usia merupakan faktor yang paling signifikan dalam memprediksi penyakit paru-paru. Penelitian ini menyoroti bahwa penggunaan metode optimasi fitur seperti Forward Selection dapat secara signifikan meningkatkan akurasi prediksi model klasifikasi penyakit paru-paru.