IMPLEMENTASI ALGORITMA NUTCRACKER OPTIMIZER PADA LIGHTGBM DALAM MEMPREDIKSI PENYAKIT PARU-PARU

Abstract

Penyakit paru-paru merupakan salah satu ancaman kesehatan global yang memerlukan penanganan cepat dan akurat. Dalam mengatasi keterbatasan diagnosis konvensional, penerapan Machine Learning telah menjadi komponen penting untuk mendukung sistem deteksi dini secara lebih objektif. Salah satu algoritma klasifikasi yang andal dalam mengolah data medis adalah Light Gradient Boosting Machine (LightGBM). Namun, kinerja LightGBM sangat bergantung pada pengaturan hyperparameter, di mana konfigurasi yang tidak tepat dapat memicu kesalahan diagnosis klinis yang fatal. Oleh karena itu, penelitian ini bertujuan mengoptimalkan hyperparameter LightGBM menggunakan algoritma metaheuristik Nutcracker Optimizer (NO) guna mencapai presisi klasifikasi yang maksimal. Metode penelitian yang diterapkan meliputi tahap prapemrosesan data, pembagian himpunan data menggunakan skema Hold-Out (80:20), serta penerapan K-Fold Cross Validation (K=5) pada proses optimasi. Hasil pengujian menunjukkan bahwa integrasi algoritma NO berhasil meningkatkan akurasi model dari 93,25% menjadi 94,18%, dengan nilai presisi 94,90% dan F1-Score 93,94%. Signifikansi utama terlihat pada penurunan kasus False Positive secara drastis, yakni dari 86 menjadi 11 kasus. Kesimpulannya, model LightGBM yang dioptimasi dengan NO terbukti efektif dalam menekan risiko diagnosis berlebih (overdiagnosis), sehingga layak digunakan sebagai pendukung keputusan klinis