Algoritma Iterative Dichotomizer 3 (ID3) dan Extreme Gradient Boosting (XGBOOST) untuk Memprediksi Penyakit Polycystic Ovarian Syndrome (PCOS)

Abstract

Polycystic Ovary Syndrome (PCOS) adalah kelainan hormon reproduksi wanita yang dapat dideteksi dengan membandingkan algoritma iterative dichotomiser 3 (ID3) dan extreme gradient boosting (XGBoost). Perbandingan antara kedua algoritma ini memiliki tujuan untuk mengidentifikasi algoritma yang paling efektif dalam mengklasifikasikan penyakit PCOS. Pengujian kedua algoritma dilakukan menggunakan dua metode, yaitu teknik pemisahan persentase dan validasi silang k-fold. Teknik pemisahan persentase, dataset dipecah menjadi 80% untuk proses pelatihan serta 20% untuk proses pengujian. Teknik validasi silang k-fold menggunakan nilai k sebanyak 10, dimana data dibagi menjadi sepuluh bagian yang digunakan secara bergantian untuk pelatihan dan pengujian. Hasil perbandingan menujukkan bahwa teknik validasi silang k-fold  memberikan kinerja yang lebih unggul dibandingkan dengan teknik pemisahan persentase, karena teknik ini  secara signifikan meningkatkan nilai presisi, sensitivitas, dan ketepatan akurasi dari setiap algoritma yang dievaluasi. XGBoost mencapai presisi sebesar 88%, sensitivitas 87%, dan tingkat akurasi 89% setiap algoritma yang diuji. Berdasarkan hasil ini dapat disimpulkan bahwa penggunaan validasi silang k-fold menjadikan XGBoost sebagai algoritma yang lebih efektif dalam mengindetifikasi PCOS, dibandingkan dengan algoritma dan teknik pengujian lainnya.