<![CDATA[Penyakit kardiovaskular (CVD) terus menjadi penyebab utama kematian dalam skala global, menyumbang lebih dari 70% kematian di seluruh dunia. Deteksi dini menjadi sangat penting untuk mengurangi risiko komplikasi dan kematian, metode konvensional kerap mengalami kesulitan dalam mengidentifikasi pola kompleks dalam data medis berukuran besar. Untuk mengatasi masalah ini, penelitian ini menawarkan pendekatan kombinatif berbasis machine learning yang mengintegrasikan teknik unsupervised learning seperti k-modes clustering dengan algoritma supervised learning berbasis boosting, seperti Adaptive Boost (Adaboost), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), dan Category Boost (CatBoost). Kontribusi utama dari penelitian ini terletak pada penggunaan segmentasi data melalui clustering sebelum proses klasifikasi, yang bertujuan meningkatkan akurasi dan ketahanan model terhadap kompleksitas data medis. Dataset yang digunakan berasal dari Kaggle dengan total 70.000 data pasien. Hasil evaluasi menunjukkan bahwa algoritma LightGBM mengungguli algoritma lainnya, mencapai akurasi 91,49%, diikuti oleh CatBoost dan XGBoost. Sementara itu, AdaBoost menunjukkan kinerja terendah. Pendekatan ini secara signifikan meningkatkan kinerja prediksi dibandingkan dengan pendekatan sebelumnya yang hanya menggunakan metode klasifikasi tunggal. Dengan demikian, integrasi clustering dan boosting terbukti menjadi strategi yang efektif dalam mendeteksi CVD secara dini dan memiliki potensi besar untuk diimplementasikan dalam sistem pendukung keputusan klinis yang efisien dan akurat. Abstract Cardiovascular disease (CVD) continues to be the top cause of fatality on a global scale, accounting for more than 70% of mortality worldwide. Early detection is crucial to reduce the risk of complications and death, but conventional methods often have difficulty identifying complex patterns in large medical data. To mitigate this issue, the current research offers a machine learning-based combinative approach that integrates unsupervised learning techniques such as k-modes clustering with boosting-based supervised classification algorithms, such as Adaptive Boost (Adaboost), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Category Boost (CatBoost). The core value of this research stems from its utilization of data segmentation through clustering before the classification process, which aims to refine the dependability and correctness of the model to the complexity of medical data. The dataset used comes from Kaggle with a total of 70,000 patient data. Evaluation findings demonstrate that the LightGBM algorithm outperforms others, achieving 91.49% accuracy, followed by CatBoost and XGBoost. Meanwhile, AdaBoost showed the lowest performance. This approach significantly improved the prediction performance compared to previous approaches that only used a single classification method. Thus, the integration of clustering and boosting proved to be an effective strategy in detecting CVD early and has great potential to be implemented in an efficient and accurate clinical decision support system.]]>
