Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso

Abstract

Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya sering kali tidak disadari hingga penyakit mencapai stadium lanjut. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi penyakit tiroid dengan mengoptimalkan algoritma *Support Vector Machine* (SVM) melalui integrasi tiga metode: LASSO (*Least Absolute Shrinkage and Selection Operator*) untuk seleksi fitur, *Firefly Algorithm* untuk optimasi parameter, dan SMOTE (*Synthetic Minority Over-sampling Technique*) untuk penyeimbangan kelas. Masalah yang umum terjadi dalam klasifikasi data medis adalah adanya fitur yang tidak relevan serta ketidakseimbangan kelas, yang keduanya dapat berdampak negatif terhadap kinerja model. Penelitian ini menggunakan dua kumpulan data (*dataset*): *dataset* Penyakit Tiroid dengan 2.800 catatan dan *dataset* Kekambuhan Kanker Tiroid Terdiferensiasi dengan 383 catatan. Studi ini dilakukan dengan menggunakan delapan kombinasi metode dan dua rasio pembagian data, sehingga menghasilkan total 32 skenario pengujian. Hasil eksperimen menunjukkan bahwa kinerja terbaik pada *dataset* Penyakit Tiroid dicapai melalui kombinasi SVM + *Firefly* + LASSO dengan *kernel* polinomial dan pembagian data 80:20, yang menghasilkan akurasi 98,21%, presisi 63,16%, *recall* 80,00%, dan *F1-score* 70,59%. Sementara itu, pada *dataset* Kekambuhan Kanker Tiroid Terdiferensiasi, hasil terbaik diperoleh dengan menggunakan kombinasi SVM dan *Firefly* dengan *kernel* RBF serta pembagian data 70:30, yang mencapai akurasi 99,13%, presisi 100%, *recall* 96,90%, dan *F1-score* 98,40%. Temuan ini menunjukkan bahwa pendekatan integratif dapat meningkatkan kinerja klasifikasi secara signifikan dibandingkan dengan penggunaan SVM saja.