Klasifikasi Risiko Kekambuhan Kanker Tiroid Berdiferensiasi Menggunakan Support Vector Machine

Abstract

Penelitian ini bertujuan untuk mengembangkan model Support Vector Machine (SVM) guna mengklasifikasikan pasien kanker tiroid berdiferensiasi ke dalam kategori risiko kekambuhan berdasarkan 16 fitur klinis, demografis, dan patologi. Dataset Thyroid Differentiated Cancer yang terdiri dari 398 sampel pasien diperoleh dari UCI Machine Learning Repository dan digunakan untuk melatih dan mengevaluasi model binary classification menggunakan RapidMiner Studio. Model SVM yang dikembangkan mencapai akurasi klasifikasi 81.58% dengan sensitivitas 82.35% untuk mendeteksi kasus kekambuhan positif (Recurred=Yes) dan spesifisitas 81.44% untuk mengidentifikasi kasus negatif (Recurred=No). Model menghasilkan 203 support vectors yang terbagi seimbang antara kedua kelas (102 untuk kelas 'No', 101 untuk kelas 'Yes'). Fitur paling diskriminatif adalah usia (age) dengan weight 3769.121, jauh melampaui fitur lain, diikuti oleh riwayat radiasi terapi (80.152), fungsi tiroid euthyroid (77.165), riwayat merokok (73.684) dan metastasis status M0 (70.941). Hasil penelitian menunjukkan bahwa klasifikasi berbasis machine learning dapat mengintegrasikan multiple clinical features secara simultan untuk memberikan stratifikasi risiko yang lebih objektif dibandingkan sistem konvensional. Model SVM menunjukkan kemampuan yang baik untuk screening pasien berisiko kekambuhan tinggi, dengan potensi untuk melengkapi sistem stratifikasi risiko ATA standar dalam praktik klinis.