Informasi & Performa Model
Random Forest Classifier · 300 pohon · dilatih dari 40 sampel klinis.
Catatan transparansi ilmiah
Model dilatih pada dataset kecil (n=40) dengan kelompok pembanding berupa pasien ginekologi lain (bukan populasi sehat). Setelah memakai fitur numerik, daya diskriminasi membaik (ROC-AUC ≈ 0.71), namun ukuran sampel yang kecil membuat estimasi ini masih memiliki rentang ketidakpastian lebar. Metrik dilaporkan apa adanya menggunakan validasi silang berulang, sesuai kaidah penelitian yang jujur.
Peningkatan Model: Fitur Numerik vs Biner
Memakai nilai numerik asli (usia, paritas, dll.) alih-alih kategori 0/1 memulihkan informasi yang hilang dan meningkatkan performa secara signifikan.
Skema Biner (0/1)
47.4%
AUC 0.48
Skema Numerik (dipakai)
67.3%
AUC 0.71
67.3%
Akurasi
Proporsi prediksi benar (5-fold × 20 repeat CV)
71.4%
Sensitivitas (Recall)
Kemampuan mendeteksi kasus kanker sebenarnya
73.7%
Spesifisitas
Kemampuan mengenali kasus non-kanker
75.0%
Presisi
Ketepatan prediksi positif
0.732
F1-Score
Harmonik presisi & recall
0.710
ROC-AUC
Kemampuan diskriminasi (0.5 = acak)
Perbandingan Algoritma (CV)
| Algoritma | Akurasi | ROC-AUC |
|---|---|---|
| Random Forestdipakai | 67.3% | 0.710 |
| Gradient Boosting | 64.5% | 0.704 |
| SVM (RBF) | 66.0% | 0.689 |
| Logistic Regression | 57.6% | 0.568 |
| Naive Bayes | 48.1% | 0.559 |
Tingkat Kepentingan Faktor Risiko
Usia saat ini
22.7%
Paritas (jumlah melahirkan)
18.6%
Usia hub. seksual pertama
16.6%
Usia menikah
14.8%
Jumlah pernikahan
8.8%
Perokok pasif
5.8%
Riwayat keputihan patologis
4.3%
Penggunaan KB hormonal
3.9%
Cuci vagina dengan sabun
3.3%
Perokok aktif
0.6%
Sering pakai pantyliner
0.4%
Belum pernah IVA/Pap/HPV
0.2%
Riwayat keluarga kanker
0.0%
Ganti pembalut > 4 jam
0.0%