Penerapan Random Forest dengan Smote- Enn pada Klasifikasi Pasien Gangguan Psikiatri Obsesif (Studi Kasus : Gangguan Psikiatri Obsesif Berdasarkan Ekspresi Gen, GSE60190)

Abstract

Gangguan mental merupakan tantangan kesehatan global yang signifikan, memengaruhi sekitar satu dari delapan orang di seluruh dunia (WHO, 2019). Gangguan mental yang menunjukkan karakteristik saling tumpang tindih meskipun dalam DSM-5-TR keduanya diklasifikasikan secara terpisah ialah eating disorders (ED) dan obsessive-compulsive disorder (OCD). Penelitian ini mengeksplorasi terkait genetik yang ada pada pasien tanpa gangguan ED dan OCD, pasien dengan ED, dan pasien dengan OCD. Penggunaan teknik bioinformatika dan machine learning, seperti random forest diterapkan untuk menganalisis data genotipe dan fenotipe guna mengidentifikasi pola kompleks serta varian genetik yang relevan. Dataset yang digunakan terdiri dari 133 sampel yang melibatkan pasien tanpa gangguan psikiatri obsesif (n=102), dengan ED (n=15), dan dengan OCD (n=16). Ketidakseimbangan data yang ada mengakibatkan kinerja model tidak baik sehingga perlu dilakukan teknik resampling menggunakan Synthetic Minority Oversampling Technique (SMOTE) dan Edited Nearest Neighbors (ENN) untuk meningkatkan performa model klasifikasi. Penerapan teknik feature extraction dengan PCA 90% persentase varian serta penerapan random search untuk hyperparameter tuning terbukti dapat memberikan hasil terbaik dengan F1-score sebesar 75,02% yang sebelumnya hanya sebesar 56%. Hasil penelitian ini juga mengidentifikasi sepuluh gen teratas yang memiliki kaitan dengan gangguan autoimun/inflamasi, gangguan neurologis, dan gangguan suasana hati yang dapat berperan dalam pemahaman patofisiologi ED dan OCD. Penelitian ini berpotensi untuk mempercepat pengembangan terapi terintegrasi yang lebih personal dan memperbaiki strategi pengobatan untuk ED dan OCD.