<![CDATA[Prediksi keberlangsungan hidup pasien gagal jantung telah dilakukan pada penelitian untuk mencari tahu tentang kinerja, akurasi, presisi dan performa dari model prediksi ataupun metode yang digunakan dalam penelitian, dengan menggunakan dataset heart failure clinical records. Namun dataset ini memiliki permasalahan yaitu bersifat tidak seimbang yang dapat menurunkan kinerja model prediksi karena cenderung menghasilkan prediksi kelas mayoritas. Pada penelitian ini menggunakan pendekatan level algoritma untuk mengatasi ketidakseimbangan kelas yaitu teknik boosting dengan metode XGBoost lalu digabungkan dengan metode hyper-parameter tuning agar kinerja yang dihasilkan menjadi lebih baik. Selanjutnya model dilatih dengan dataset dan dibandingkan dengan metode lain, hasilnya menunjukkan bahwa XGBoost dengan tree parzen estimator hyper-parameter tuning mengungguli model lain dan mencapai nilai AUC sebesar 0.94, untuk model XGBoost dengan Random Search memperoleh nilai AUC sebesar 0.933, kemudian untuk model XGBoost dengan Grid Search memperoleh nilai AUC sebesar 0.922, lalu untuk model XGBoost tanpa hyper-parameter tuning memperoleh nilai AUC sebesar 0.904. Keywords: Ketidakseimbangan Kelas, XGBoost, Konfigurasi Hyper-parameter, Gagal Jantung]]>
Copyrights © 2022
