PENERAPAN TEKNIK STACKING ENSEMBLE LEARNING UNTUK IDENTIFIKASI INFEKSI SALURAN KEMIH

Abstract

Infeksi Saluran Kemih (ISK) adalah infeksi pada sistem urinaria yang umum terjadi, dengan prevalensi global mencapai 404,6 juta kasus pada tahun 2019 dan berpotensi menimbulkan komplikasi serius seperti gagal ginjal dan sepsis. Diagnosis konvensional melalui kultur urin memerlukan waktu inkubasi 24–48 jam, bersifat tidak spesifik, dan berpotensi menunda terapi serta memperparah resistensi antibiotik. Penelitian ini bertujuan menerapkan dan mengevaluasi teknik Stacking Ensemble Learning untuk identifikasi ISK berdasarkan data urinalisis, serta membandingkan performanya dengan model tunggal. Model dibangun dengan menggabungkan Naïve Bayes, Random Forest, dan XGBoost sebagai base learner serta Logistic Regression sebagai meta learner melalui pendekatan Out-of-Fold (OOF) dengan Stratified 5-Fold Cross-Validation. Dataset Urinalysis Test Results yang terdiri dari 1.436 sampel dari Kaggle diproses melalui encoding, normalisasi, SMOTE, dan hyperparameter tuning menggunakan Optuna. Model stacking mencapai akurasi 96,49%, presisi 71,43%, recall 62,50%, F1-Score 66,67%, dan ROC-AUC 89,52%, mengungguli seluruh model tunggal dalam keseimbangan presisi dan recall serta konsistensi performa pada berbagai skenario pembagian data