Article Per Year (5 Year)
p-Index From 2021 - 2026
1.756
P-Index
This Author published in this journals
All Journal Jurnal Ekonomi, Bisnis dan Kewirausahaan (JEBIK) Ilmu Dakwah: Academic Journal for Homiletic Studies Jurnal SOLMA Wiralodra English Journal (WEJ) BUDGETING : Journal of Business, Management and Accounting Jurnal Ekonomi Bisnis, Manajemen dan Akuntansi (JEBMA) juremi: jurnal riset ekonomi Ngaos: Jurnal Pendidikan dan Pembelajaran ILJ: Islamic Learning Journal Prosiding Seminar Nasional CORISINDO Wana Lstari
Setyawan, Ari
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Perbandingan Algoritma Machine Learning Untuk Mendeteksi Gagal Jantung Berbasis Seleksi Fitur Rfecv Dan Penyeimbangan Data Smote Setyawan, Ari; Sulistianingsih, Neny; Rismayati, Ria
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5605

Abstract

Deteksi dini gagal jantung merupakan tantangan signifikan dalam dunia medis karena kompleksitas faktor risikonya. Penelitian ini bertujuan membandingkan kinerja enam algoritma machine learning dalam memprediksi risiko gagal jantung dengan pendekatan CRISP-DM. Data klinis sebanyak 299 pasien diproses melalui seleksi fitur menggunakan Recursive Feature Elimination with Cross-validation (RFECV) serta penyeimbangan kelas dengan Synthetic Minority Over-sampling Technique (SMOTE). Algoritma yang dievaluasi meliputi Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, dan Gradient Boosting. Evaluasi dilakukan menggunakan validasi silang berstrata dengan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan Random Forest mencapai performa terbaik dengan akurasi dan F1-score sebesar 91,20%, diikuti Gradient Boosting dengan 90,20%. Implementasi SMOTE terbukti meningkatkan kemampuan model, terutama dalam mendeteksi kelas minoritas. Temuan ini menegaskan bahwa metode ensemble seperti Random Forest, dikombinasikan dengan RFECV dan SMOTE, efektif untuk klasifikasi risiko gagal jantung secara akurat dan andal.
Co-Authors Anita, Vilda Puji Dini Arif Rahman Hakim Ashari, Chica Riska Azhaar, Daliilah Haniifah Aziz, Agung Abdul Christoper, Ruben Eko Budi Satoto Fatara, Fadhel Helna Wardhana Herawati, Baiq Candra I Wayan Suparta . Ilyas Supena Johanes, Ricky Khasnur Hidjah Khulailiyah, Ahsanatul Linda, Ony Lubis, Arie Mulia Mhd Muhajir Hasibuan Miftahurrahim, Rian Nasihun Amin Neli Aida Neny Sulistianingsih nurul khotimah Pandapotan, Sumitro Putra, Pandika Adi Rahmad, Ichsan Rismayati, Ria Shofiyul Himami, Ahmad Siti Soraya Sugiyanto - Susbiyani, Arik Tohir, Rizki Kurnia Wijono, Hani Adi