PREDIKSI TREN TINGKAT KEPARAHAN PENYAKIT KUCING BERDASARKAN GEJALA KLINIS MENGGUNAKAN REGRESI LOGISTIK MULTINOMIAL

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.