Klasifikasi Attention Deficit Hyperactivity Disorder (ADHD) Menggunakan Algoritma Random Forest dan Extreme Gradient Boosting

Penulis Utama : Laila Dyah Kusuma Ramadhani
NIM / NIP : M0721038
× <p>Attention deficit hyperactivity disorder (ADHD) adalah gangguan neurologis yang dapat menghambat kemampuan seseorang dalam memusatkan perhatian, mengendalikan impuls, dan mengatur tingkat aktivitas. Diagnosis ADHD sering kali menjadi tantangan karena gejalanya yang bervariasi dan mirip dengan kondisi lain. Seiring dengan perkembangan teknologi, machine learning telah banyak digunakan dalam bidang kesehatan untuk meningkatkan akurasi dan efisiensi deteksi dini berbagai penyakit, termasuk ADHD. Pada penelitian ini, dilakukan klasifikasi ADHD menggunakan algoritma random forest (RF) dan extreme gradient boosting (XGBoost). Data yang digunakan berasal dari National Survey of Children's Health (NSCH) tahun 2023. Tahapan penelitian mencakup preprocessing data, klasifikasi menggunakan RF dan XGBoost, serta evaluasi hasil klasifikasi. Ketidakseimbangan kelas diatasi dengan menerapkan teknik random undersampling (RUS). Model yang dihasilkan algoritma XGBoost mencapai akurasi 94?n F1-score 83%, sedangkan RF memiliki akurasi 93?n F1-score 83%. Hasil penelitian menunjukkan bahwa algoritma XGBoost memiliki performa lebih baik dibandingkan RF. XGBoost dapat menjadi pendekatan yang lebih efektif untuk mendukung diagnosis dini ADHD, memungkinkan tenaga medis menentukan intervensi yang lebih tepat, seperti terapi perilaku, pelatihan orang tua, atau penyesuaian strategi belajar di sekolah.</p>