Prediksi Keberhasilan Pengobatan dan Identifikasi Faktor Klinis Penting pada Kanker Tiroid Berdiferensiasi Menggunakan Kolmogorov-Arnold Networks dan SHAP: Prediction of Treatment Success and Identification of Important Clinical Factors in Differentiated Thyroid Cancer Using Kolmogorov-Arnold Networks and SHAP

Muhammad Ainul Fikri; Ajie Kusuma Wardhana; Fauzia Anis Sekar Ningrum; Inggrid Yanuar Risca Pratiwi; Yudha Riwanto; Raditya Arief Pratama

doi:10.33795/jtim.v18i1.9909

Prediksi Keberhasilan Pengobatan dan Identifikasi Faktor Klinis Penting pada Kanker Tiroid Berdiferensiasi Menggunakan Kolmogorov-Arnold Networks dan SHAP

Prediction of Treatment Success and Identification of Important Clinical Factors in Differentiated Thyroid Cancer Using Kolmogorov-Arnold Networks and SHAP

Authors

Muhammad Ainul Fikri PSDKU Polije Nganjuk
Ajie Kusuma Wardhana Universitas Multimedia Nusantara
Fauzia Anis Sekar Ningrum Universitas Amikom Yogyakarta
Inggrid Yanuar Risca Pratiwi Politeknik Negeri Malang
Yudha Riwanto Universitas Amikom Yogyakarta
Raditya Arief Pratama PSDKU Polije Nganjuk

DOI:

https://doi.org/10.33795/jtim.v18i1.9909

Keywords:

Kanker Tiroid, Prediksi Keberhasilan Pengobatan, Kolmogorov-Arnold Networks, Machine Learning, SHAP, Explainable AI

Abstract

Kanker tiroid berdiferensiasi memerlukan evaluasi respons terapi yang akurat untuk menentukan strategi penanganan pasien tingkat lanjut. Penelitian ini bertujuan mengembangkan model prediksi keberhasilan pengobatan kanker tiroid berdiferensiasi menggunakan Kolmogorov-Arnold Networks (KAN) yang diintegrasikan dengan metode SHapley Additive exPlanations (SHAP). Integrasi ini bertujuan menghasilkan sistem prediktif yang tidak hanya akurat tetapi juga memiliki interpretabilitas intrinsik yang transparan bagi tenaga medis. Data klinis retrospektif sebanyak 383 pasien dengan 17 fitur dievaluasi menggunakan pemodelan KAN dengan optimasi pemangkasan (pruning) jaringan pembobot adaptif. Interpretasi kontribusi fitur dianalisis secara post-hoc menggunakan algoritma SHAP KernelExplainer. Hasil pengujian membuktikan bahwa model KAN mencapai performa yang sangat kompetitif dengan akurasi 97,40%, precision 97,87%, recall 97,40%, F1-score 97,47%, dan ROC-AUC 99,75%. Model ini mencatatkan tingkat sensitivitas 100% dalam memprediksi kelas keberhasilan terapi tanpa adanya kesalahan klasifikasi. Analisis SHAP mengungkap bahwa fitur Response (evaluasi respons terapi) memberikan kontribusi paling dominan terhadap hasil prediksi, diikuti oleh variabel Risk (stratifikasi risiko), Age (usia), dan M (status metastasis). Sebagai alat pendukung keputusan klinis, KAN secara efektif menyeleksi fitur otomatis melalui mekanisme sparsity pada spline-nya dan memberikan penjelasan yang komprehensif bersama metode SHAP. Sebagai saran pengembangan ke depan, penelitian selanjutnya dapat memperdalam analisis korelasi matematis antara representasi spline KAN dengan nilai distribusi SHAP, serta memperluas pengujian model menggunakan dataset multisenter dengan skala yang lebih besar.

Jurnal Informatika dan Multimedia Volume 18, No. 1, 2026

Downloads

Published

2026-06-12

How to Cite

[1]

M. A. Fikri, A. K. Wardhana, F. A. S. Ningrum, I. Y. R. Pratiwi, Y. Riwanto, and R. A. Pratama, “Prediksi Keberhasilan Pengobatan dan Identifikasi Faktor Klinis Penting pada Kanker Tiroid Berdiferensiasi Menggunakan Kolmogorov-Arnold Networks dan SHAP: Prediction of Treatment Success and Identification of Important Clinical Factors in Differentiated Thyroid Cancer Using Kolmogorov-Arnold Networks and SHAP”, jtim, vol. 18, no. 1, pp. 19–33, Jun. 2026.