Skripsi
KOMPARASI MODEL ENSEMBLE DAN ALGORITMA MACHINE LEARNING UNTUK MEMPREDIKSI PENYAKIT JANTUNG
Studi ini membandingkan performa sembilan algoritma machine learning dalam memprediksi penyakit jantung dengan menggunakan dataset berasal dari tahun 1988 dan terdiri dari empat basis data: Cleveland, Hungary, Swiss, dan Long Beach sebanyak 1025 data. Dataset yang digunakan mencakup fitur-fitur medis yang mencerminkan keadaan fisiologis, hasil pemeriksaan klinis, dan faktor risiko kardiovaskular, yaitu usia, jenis kelamin, jenis nyeri dada, tekanan darah saat istirahat, kadar kolesterol dalam serum, kadar gula darah puasa, hasil elektrokardiografi saat istirahat, denyut jantung maksimum, nyeri dada saat aktivitas fisik, depresi segmen ST, kemiringan segmen ST, jumlah pembuluh darah utama yang terlihat dengan fluoroskopi, serta keadaan thalassemia. Tahapan penelitian ini meliputi pembersihan data, transformasi data, dan evaluasi yang dilakukan dengan metode pembagian data untuk pelatihan dan pengujian serta K-fold cross-validation dengan metrik akurasi, presisi, Recall, skor F1, dan AUC-ROC. Algoritma yang digunakan pada penelitian ini adalah Decision Tree, Random Forest, Support Vector Machine, MLP Classifier, Bagging Classifier, Gradient Boosting, Catboost, XGBoost, dan LightGBM dengan model berbasis Ensemble, seperti Catboost, Random Forest, XGBoost, dan LightGBM, menunjukkan kinerja yang konsisten pada berbagai metrik evaluasi jika dibandingkan dengan model non-Ensemble. Di antara semua model yang diuji, Catboost menunjukkan kinerja terbaik, dengan akurasi mencapai 98%, F1-Score sebesar 0,980, dan Recall sebesar 0,9875 yang kemudian disusul dengan algortima Ensemble lainnya seperti Random Forest, XGBoost dan LightGBM. Hasil penelitian ini menunjukkan bahwa model Ensemble terbukti lebih efektif dalam memprediksi penyakit jantung. Penelitian ini berkontribusi untuk menyajikan studi komparatif yang mendalam mengenai performa algoritma Ensemble dan machine learning moderen dalam prediksi penyakit jantung, serta memperkaya literatur yang berkaitan dengan penerapan Knowledge Discovery di bidang kesehatan dan memberikan dasar untuk pemilihan algoritma prediksi yang lebih handal dalam mendukung pengambilan keputusan klinis serta pengembangan sistem dukungan diagnosis penyakit jantung berbasis machine learning.
No other version available