Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Submit : Jurnal Ilmiah Teknologi Informasi dan Sains
Faisal Dharma Adhinata
Telkom University
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penggunaan Single Machine Learning dan Ensemble Machine Learning untuk Deteksi Penyakit Jantung Faisal Dharma Adhinata; Gita Fadila Fitriana; Nia Annisa Ferani Tanjung
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 6 No. 1 (2026): Juni 2026
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v6i1.4701

Abstract

Penyakit jantung merupakan penyakit yang berbahaya bahkan penyebab kematian tertinggi didunia. Deteksi dini penyakit jantung diperlukan sebagai upaya antisipasi untuk menjaga kesehatan sejak dini. Terdapat beberapa karakteristik gejala penyakit jantung yang cukup kompleks. Adanya banyak karakteristik ini mengharuskan penegakan diagnosis oleh tenaga medis. Sementara itu, pada beberapa daerah terpencil belum banyak tenaga medis. Oleh karena itu, pada penelitian ini mengembangkan sistem deteksi dini penyakit jantung menggunakan AI. Proses deteksi dini ini juga masih memerlukan tenaga medis sebagai penegakan diagnosis utama. Pemilihan metode machine learning daripada deep learning karena dataset yang digunakan jumlahnya tidak terlalu banyak. Metode single machine learning menggunakan Support Vector Machine (), sedangkan metode ensemble machine learning menggunakan CatBoost. Perbandingan ini untuk mengetahui metode mana yang cocok untuk klasifikasi data kompleks. Hasil eksperimen menunjukkan penggunaan CatBoost lebih efektif dibanding single machine learning. Nilai akurasi dan F1 menggunakan metode CatBoost adalah 0,99. Metode CatBoost menggunakan banyak decision tree untuk pengambilan keputusan prediksi. Proses ini yang membuat ensemble learning lebih baik dibanding single machine learning. Melalui hasil ini, penggunaan ensemble learning terbukti dapat mengolah data yang kompleks untuk penentuan prediksi penyakit jantung.
Penggunaan Single Machine Learning dan Ensemble Machine Learning untuk Deteksi Penyakit Jantung Faisal Dharma Adhinata; Gita Fadila Fitriana; Nia Annisa Ferani Tanjung
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 6 No. 1 (2026): Juni 2026
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v6i1.4701

Abstract

Penyakit jantung merupakan penyakit yang berbahaya bahkan penyebab kematian tertinggi didunia. Deteksi dini penyakit jantung diperlukan sebagai upaya antisipasi untuk menjaga kesehatan sejak dini. Terdapat beberapa karakteristik gejala penyakit jantung yang cukup kompleks. Adanya banyak karakteristik ini mengharuskan penegakan diagnosis oleh tenaga medis. Sementara itu, pada beberapa daerah terpencil belum banyak tenaga medis. Oleh karena itu, pada penelitian ini mengembangkan sistem deteksi dini penyakit jantung menggunakan AI. Proses deteksi dini ini juga masih memerlukan tenaga medis sebagai penegakan diagnosis utama. Pemilihan metode machine learning daripada deep learning karena dataset yang digunakan jumlahnya tidak terlalu banyak. Metode single machine learning menggunakan Support Vector Machine (), sedangkan metode ensemble machine learning menggunakan CatBoost. Perbandingan ini untuk mengetahui metode mana yang cocok untuk klasifikasi data kompleks. Hasil eksperimen menunjukkan penggunaan CatBoost lebih efektif dibanding single machine learning. Nilai akurasi dan F1 menggunakan metode CatBoost adalah 0,99. Metode CatBoost menggunakan banyak decision tree untuk pengambilan keputusan prediksi. Proses ini yang membuat ensemble learning lebih baik dibanding single machine learning. Melalui hasil ini, penggunaan ensemble learning terbukti dapat mengolah data yang kompleks untuk penentuan prediksi penyakit jantung.
Co-Authors Gita Fadila Fitriana Nia Annisa Ferani Tanjung