Analisis Diskriminan Linier: Menjembatani Teknologi dan Diagnostik Jantung
Penyakit jantung koroner (PJK) telah lama menjadi ancaman serius bagi kesehatan global, mengingat tingkat kematian yang tinggi terkait dengan penyakit ini. Menurut laporan Organisasi Kesehatan Dunia (WHO), pada tahun 2000, penyakit jantung koroner menjadi penyebab utama kematian di seluruh dunia. Di tengah tantangan yang dihadapi dalam mendiagnosis penyakit ini, pendekatan berbasis teknologi, seperti machine learning, telah muncul sebagai solusi inovatif.
Salah satu metode yang semakin populer adalah Linear Discriminant Analysis (LDA), sebuah teknik statistik yang memungkinkan klasifikasi otomatis berdasarkan data medis. Dalam konteks ini, penelitian yang dilakukan oleh Ibnu Rashada, R Rizal Isnanto, dan Catur Edi Widodo pada tahun 2023 di Universitas Diponegoro, Indonesia, menjadi perhatian utama. Mereka menerapkan LDA untuk mengklasifikasikan penyakit jantung dengan menggunakan dataset dari UCI machine learning repository.
Studi ini menyoroti bagaimana teknologi dapat dimanfaatkan untuk meningkatkan deteksi dini penyakit jantung dengan akurasi yang tinggi dan biaya yang lebih rendah. Berdasarkan hasil penelitian mereka, LDA mampu mencapai akurasi 81,22% dalam klasifikasi penyakit jantung dengan dua kelas, sebuah pencapaian yang menunjukkan potensi besar dalam aplikasi medis.
Namun, metode ini juga menunjukkan keterbatasan, seperti akurasi yang lebih rendah saat diterapkan pada klasifikasi dengan lima kelas, yang hanya mencapai 59,38%. Dengan meningkatnya jumlah kasus PJK dan biaya yang tinggi untuk diagnosa medis, pendekatan berbasis teknologi ini menjadi semakin relevan dan perlu dipertimbangkan secara serius dalam pengembangan sistem kesehatan di masa depan.
***
Pendekatan Linear Discriminant Analysis (LDA) dalam klasifikasi penyakit jantung, sebagaimana dipaparkan oleh Ibnu Rashada dan rekannya, menawarkan perspektif yang menarik dalam pengembangan sistem informasi medis. LDA, yang pada dasarnya adalah metode statistik untuk menemukan kombinasi linear yang memaksimalkan pemisahan antara kelas-kelas data, telah lama digunakan dalam pengenalan pola dan pembelajaran mesin. Dalam penelitian ini, LDA diterapkan pada dataset yang mencakup variabel-variabel seperti jenis kelamin, usia, tinggi badan, berat badan, riwayat diabetes, konsumsi rokok, dan tekanan darah. Data ini dibagi menjadi 70% sebagai data latih dan 30% sebagai data uji, dengan total 916 sampel pasien.
Penerapan LDA dalam penelitian ini menunjukkan hasil yang signifikan, terutama dalam klasifikasi dua kelas, di mana sistem berhasil mencapai akurasi sebesar 81,22%, dengan nilai pengulangan dan skor F1 masing-masing 0,81. Namun, saat diterapkan pada klasifikasi dengan lima kelas, akurasi turun drastis menjadi 59,38%, dengan nilai pengulangan 0,59 dan skor F1 hanya 0,56. Penurunan akurasi ini menyoroti keterbatasan LDA dalam menangani masalah klasifikasi multi-kelas yang lebih kompleks, di mana data mungkin tidak memiliki pemisahan linear yang jelas antara kategori.
Selain itu, hasil penelitian ini juga menunjukkan bahwa LDA lebih efektif dalam situasi di mana terdapat dua kelompok utama, seperti pasien dengan dan tanpa penyakit jantung. Dalam kasus ini, LDA mampu memanfaatkan variasi dalam data untuk memisahkan kedua kelompok dengan lebih akurat. Sebaliknya, dalam situasi dengan lebih banyak kelompok (lima kelas dalam penelitian ini), variasi data menjadi lebih sulit diidentifikasi dan dipisahkan, yang menyebabkan penurunan akurasi.
Data yang digunakan dalam penelitian ini berasal dari UCI machine learning repository, sebuah sumber yang pasti dan sering digunakan dalam penelitian machine learning. Dataset ini terdiri dari data yang dikumpulkan dari berbagai sumber, termasuk Cleveland, Hungary, Switzerland, dan VA Long Beach, dengan total 916 pasien. Studi ini memvalidasi hasilnya melalui confusion matrix, yang menunjukkan performa LDA dalam hal akurasi, presisi, dan recall.
Penerapan LDA dalam konteks medis, khususnya dalam klasifikasi penyakit jantung, memberikan kontribusi penting dalam pengembangan teknologi diagnostik. Dengan akurasi yang mencapai lebih dari 80% untuk dua kelas, LDA menawarkan solusi yang lebih hemat biaya dan lebih cepat dibandingkan dengan metode konvensional. Hal ini sangat relevan mengingat biaya tinggi yang sering dikaitkan dengan diagnosis penyakit jantung, di mana metode tradisional memerlukan serangkaian tes medis yang mahal dan waktu yang cukup lama. Penelitian ini membuka jalan bagi pengembangan lebih lanjut, baik dalam optimalisasi metode LDA maupun dalam eksplorasi algoritma lain yang mungkin lebih efektif dalam menangani klasifikasi multi-kelas yang kompleks.