Cataract Eye Disease Diagnosis Using the Random Forest Method

Lilis Novita, Wahyu Fuadi, Kurniawati Kurniawati

Abstract


This study developed a machine learning-based classification model using the Random Forest algorithm to detect cataract risk based on 11 variables: age, gender, family history, lens opacity, visual acuity reduction, light sensitivity, color changes, double vision, intraocular pressure, slit-lamp results, and visual acuity. Feature importance analysis revealed that lens opacity and visual acuity variables contributed most significantly to cataract risk prediction, followed by intraocular pressure and visual acuity reduction. The system was designed using Google Colab for model training and Streamlit as an interactive interface, enabling real-time predictions with intuitive result visualization. After optimization using Grid Search, the model achieved an accuracy of 92.0%, precision of 95.0%, sensitivity of 90.0%, F1 Score of 92.4%, and specificity of 98.0%. This system is expected to serve as an effective supporting tool for medical professionals in the early diagnosis of cataracts.


Keywords


Cataract, Classification, Machine Learning, Random Forest

Full Text:

PDF

References


S. Nurhaningsih, Y. Susanti, and S. Handajani, “Implementasi Algoritma C5.0 Untuk Klasifikas Penyakit Gagal Ginjal Kronik,” 2019.

L. Budhy Adzy and A. Pambudi, “ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI KELAYAKAN PENERIMA BANTUAN IURAN JAMINAN KESEHATAN PEMERINTAH DAERAH KABUPATEN SUKABUMI,” 2023.

B. W. K. Nurdin, “IMPLEMENTASI DATA MINING UNTUK MENGKLASIFIKASI DATA NASABAH PT. ADIRA FINANCE ACEH TENGAH MENGGUNAKAN ALGORITMA C4.5,” Jurnal Sistem Informasi Kaputama (JSIK), vol. 1, no. 1, 2017.

M. Suhendri and Y. Afrilia, “Klasifikasi Karya Ilmiah (Tugas Akhir) Mahasiswa Menggunakan Metode Naive Bayes Classifier (NBC),” 2021. [Online]. Available: http://sistemasi.ftik.unisi.ac.id

R. Widiyanti, C. Suhery, and R. Hidayati, “Implementasi Algoritma C5.0 Untuk Klasifikasi Kepuasan Masyarakat Terhadap Pelayanan Kantor Kecamatan,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, p. 1200, Aug. 2022, doi: 10.30865/jurikom.v9i4.4632.

A. P. Ruise, A. S. Mashuri, M. Sulaiman, and F. Rahman, “Studi Komparasi Metode Svm, Logistic Regresion Dan Random Forest Clasifier Untuk Mengklasifikasi Fake News di Twitter,” J I M P - Jurnal Informatika Merdeka Pasuruan, vol. 7, no. 2, p. 64, Sep. 2023, doi: 10.51213/jimp.v7i2.472.

A. Prabowo, “Sistem pakar untuk mendiagnosa penyakit mata pada manusia menggunakan metode certainty factor,” vol. 3, no. 4, 2023.

D. Meidelfia, F. Sukmaa, and S. Y. Kharismaa, “Analisis Klasifikasi Penyakit Mata dengan Perbandingan Metode Random Forest dan Metode K-Nearest Neighbor,” Jurnal Internasional Komputasi dan Teknik Tingkat Lanjut, vol. 5, no. 2, pp. 136–145, 2023.

A. Rofifah, R. Goenjantoro, and D. Yuniarti, “Perbandingan Pengelompokan K-Means dan K-Medoids Pada Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Studi Kasus : Data Titik Panas Di Indonesia Pada 28 April 2018),” Jurnal EKSPONENSIAL, vol. 10, no. 2, pp. 143–152, 2019.

A. Yani, Z. Azmi, D. Suherdi, S. Informasi, and S. Triguna Dharma, “Implementasi Data Mining Menganalisa Data Penjualan Menggunakan Algoritma K-Means Clustering,” JURNAL SISTEM INFORMASI TGD, vol. 2, no. 2, pp. 315–323, 2023, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jsi

C. Zai, “IMPLEMENTASI DATA MINING SEBAGAI PENGOLAHAN DATA,” 2022.

A. Srirahayu and L. Setya Pribadie, “JURNAL ILMIAH INFORMATIKA GLOBAL Review Paper Data Mining Klasifikasi Data Mining,” Jurnal Ilmiah Informatika Global, vol. 14, no. 1, 2023.

Fauziah, Dedy Hartama, and Irfan Sudahri Damanik, “Analisa Kepuasan Pelanggan Menggunakan Klasifikasi Data Mining,” Jurnal Penerapan Kecerdasan Buatan, 2020.

A. Arisusanto, N. Suarna, and G. Dwilestari, “Analisa Klasifikasi Data Harga Handphone Menggunakan Algoritma Random Forest Dengan Optimize Parameter Grid,” Jurnal Teknologi Ilmu Komputer, vol. 1, no. 2, pp. 43–47, 2023, doi: 10.56854/jtik.v1i2.51.

Moch. Lutfi, “Implementasi Metode K-Nearest Neighbor dan Bagging Untuk Klasifikasi Mutu Produksi Jagung,” Agromix, vol. 10, no. 2, pp. 130–137, 2019, doi: 10.35891/agx.v10i2.1636.

D. A. C, “Implementasi Data Mining Untuk Prediksi Penyakit Diabetes,” vol. 2, no. 1, pp. 39–46.

M. Adriansa, L. Yulianti, L. Elfianty, U. Dehasen Bengkulu, and J. Meranti Raya, “Analisis Kepuasan Pelanggan Menggunakan Algoritma C4.5,” 2022.

P. B. N. Setio, D. R. S. Saputro, and B. Winarno, “Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5,” Prosiding Seminar Nasional Matematika, vol. 3, pp. 64–71, 2020, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

M. R. S. Alfarizi, M. Z. Al-farish, M. Taufiqurrahman, G. Ardiansah, and M. Elgar, “Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning,” Karya Ilmiah Mahasiswa Bertauhid (KARIMAH TAUHID), vol. 2, no. 1, pp. 1–6, 2023.

M. Abdul muthalib, I. Irfan, K. Kartika, and S. M. Selamat Meliala, “Pengiraan Pose Model Manusia Pada Repetisi Kebugaran Ai Pemograman Python Berbasis Komputerisasi,” INFOTECH journal, vol. 9, no. 1, pp. 11–19, 2023, doi: 10.31949/infotech.v9i1.4233.




DOI: https://doi.org/10.52088/ijesty.v5i2.777

Article Metrics

Abstract view : 0 times
PDF - 0 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Lilis Novita, Wahyu Fuadi, Kurniawati

International Journal of Engineering, Science and Information Technology (IJESTY) eISSN 2775-2674