The Sriwijaya University Library

  • Home
  • Information
  • News
  • Help
  • Login
  • Librarian
  • Member Area
  • Select Language :
    Arabic Bengali Brazilian Portuguese English Espanol German Indonesian Japanese Malay Persian Russian Thai Turkish Urdu

Search by :

ALL Author Subject ISBN/ISSN Advanced Search

Last search:

{{tmpObj[k].text}}
Image of KOMPARASI MODEL ENSEMBLE DAN ALGORITMA MACHINE LEARNING UNTUK MEMPREDIKSI PENYAKIT JANTUNG
Bookmark Share

Skripsi

KOMPARASI MODEL ENSEMBLE DAN ALGORITMA MACHINE LEARNING UNTUK MEMPREDIKSI PENYAKIT JANTUNG

Muhammad, Syarief Albani - Personal Name;

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.


Availability
#
Central Library (REFERENCES) T1969202026
T196920
Available but not for loan - Not for Loan
Detail Information
Series Title
-
Call Number
T1969202026
Publisher
Indralaya : Prodi Sistem Informasi, Fakultas Ilmu Komputer Universitas Sriwijaya., 2026
Collation
xvi, 141 hlm.; ilus.; tab, 29 cm
Language
Indonesia
ISBN/ISSN
-
Classification
006.310 7
Content Type
Text
Media Type
-
Carrier Type
-
Edition
-
Subject(s)
Kecerdasan Buatan
Prodi Sistem Informasi
Specific Detail Info
-
Statement of Responsibility
TUTI
Other version/related

No other version available

File Attachment
  • KOMPARASI MODEL ENSEMBLE DAN ALGORITMA MACHINE LEARNING UNTUK MEMPREDIKSI PENYAKIT JANTUNG
Comments

You must be logged in to post a comment

The Sriwijaya University Library
  • Information
  • Services
  • Librarian
  • Member Area

About Us

As a complete Library Management System, SLiMS (Senayan Library Management System) has many features that will help libraries and librarians to do their job easily and quickly. Follow this link to show some features provided by SLiMS.

Search

start it by typing one or more keywords for title, author or subject

Keep SLiMS Alive Want to Contribute?

© 2026 — Senayan Developer Community

Powered by SLiMS
Select the topic you are interested in
  • Computer Science, Information & General Works
  • Philosophy & Psychology
  • Religion
  • Social Sciences
  • Language
  • Pure Science
  • Applied Sciences
  • Art & Recreation
  • Literature
  • History & Geography
Icons made by Freepik from www.flaticon.com
Advanced Search
Where do you want to share?