Abstract:
Memprediksi tren tingkat keparahan penyakit pada kucing (Felis catus) merupakan
tantangan akibat gejala klinis yang dinamis dan tumpang tindih. Oleh karena itu,
diperlukan sebuah sistem prediktif untuk membantu memproyeksikan arah
perkembangan penyakit secara lebih akurat. Tujuan dari penelitian ini adalah
merancang dan membangun model machine learning yang dapat memprediksi tren
tingkat keparahan (ringan, sedang, parah) dari enam penyakit umum pada kucing
berdasarkan gejala klinisnya. Metode yang diimplementasikan adalah Regresi
Logistik Multinominal. Penelitian ini menggunakan total 501 data, gabungan dari
rekam medis primer dan data sekunder, yang dibagi menjadi 400 data latih dan 101
data uji. Model ini menggunakan 76 fitur gejala untuk mengklasifikasikan 18 kelas
target. Evaluasi kinerja dilakukan dengan metrik Akurasi, Presisi, Recall, dan F1
Score. Hasil pengujian model pada 101 data uji menunjukkan performa yang sangat
baik dengan akurasi 92%. Kinerja model yang seimbang pada setiap kelas juga
ditunjukkan oleh nilai Macro Average Presisi 0,93, Recall 0,92, dan F1-Score 0,92.
Penelitian ini menerapkan model Regresi Logistik Multinominal yang terbukti
efektif untuk prediksi tren keparahan penyakit kucing. Model yang dihasilkan
memiliki potensi untuk dikembangkan lebih lanjut sebagai sistem pendukung
keputusan prognostik bagi praktisi kesehatan hewan.
