Pengaruh Seleksi Fitur Terhadap XGBoost dan Random Forest Pada Klasifikasi Kanker Serviks Kondisi Imbalance dan Balance

Abstract

Kanker serviks merupakan salah satu penyebab utama kematian akibat kanker pada perempuan di seluruh dunia, dengan sekitar 660.000 kasus baru dan 350.000 kematian tercatat secara global pada tahun 2022. Deteksi dini masih menjadi tantangan besar, terutama di negara-negara berkembang dengan sumber daya kesehatan yang terbatas. Penelitian ini menganalisis pengaruh seleksi fitur menggunakan Recursive Feature Elimination (RFE) terhadap performa klasifikasi algoritma Random Forest (RF) dan XGBoost pada kondisi data yang tidak seimbang (imbalanced) maupun seimbang (balanced). Dataset yang digunakan adalah UCI Cervical Cancer Risk Factors Dataset, yang terdiri dari 858 data pasien dengan 35 fitur dan Biopsy sebagai target klasifikasi. Tahap pra-pemrosesan meliputi imputasi median untuk nilai yang hilang dan standardisasi fitur menggunakan StandardScaler. Ketidakseimbangan kelas, dengan rasio 1:14,6 antara kasus positif dan negatif, ditangani menggunakan SMOTE yang diterapkan khusus pada data pelatihan. Seleksi fitur dilakukan menggunakan RFECV dengan Random Forest sebagai estimator dan F1-score sebagai metrik evaluasi internal, menghasilkan 9 fitur optimal dari 35 fitur awal. Sebanyak 16 skenario eksperimen dievaluasi berdasarkan kombinasi dua algoritma, dua kondisi data (imbalance dan balance), dua kondisi seleksi fitur (dengan dan tanpa RFE), serta dua rasio pembagian data (70:30 dan 80:20), dengan optimasi hyperparameter melalui GridSearchCV dan 10-Fold Stratified Cross-Validation. Hasil menunjukkan bahwa RFE secara konsisten meningkatkan performa RF pada seluruh kondisi, dengan peningkatan F1-score terbesar sebesar 0,3250 yang teramati pada kondisi imbalance dengan pembagian 80:20. Sebaliknya, RFE tidak secara konsisten memberikan manfaat bagi XGBoost, yang mengindikasikan bahwa mekanisme regularisasi internal XGBoost sudah cukup untuk menangani fitur-fitur yang tidak relevan. SMOTE secara efektif meningkatkan recall pada hampir seluruh skenario, dengan peningkatan paling signifikan terjadi pada RF tanpa RFE dengan pembagian 80:20, dari 0,2727 menjadi 0,8182. Skenario dengan performa terbaik adalah RF dengan SMOTE dan tanpa RFE pada pembagian 80:20, yang mencapai F1-score dan recall sebesar 0,8182, akurasi sebesar 0,9767, dan ROC-AUC sebesar 0,9726.