<![CDATA[Penyakit jantung merupakan penyebab utama kematian di seluruh dunia, termasuk di Indonesia. Identifikasi penyakit kardiovaskular (CVD) memerlukan pertimbangan berbagai faktor, seperti tekanan darah tinggi, kadar kolesterol, diabetes, dan lainnya, dengan gejala yang dapat bervariasi antar jenis kelamin. Meskipun angiografi dianggap metode yang akurat, biayanya tinggi dan kurang terjangkau oleh keluarga berpendapatan rendah. Biaya penyakit kardiovaskular juga memberikan dampak finansial signifikan pada sistem kesehatan. Dalam upaya untuk meningkatkan prediksi penyakit jantung, penelitian ini menggunakan metode ensemble learning, seperti Random Forest, Bagging, Adaboost, Gradient Boosting, dan XGBoost, dengan penyetelan hyperparameter. Eksperimen pada dataset gagal jantung menunjukkan bahwa penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) pada algoritma Extreme Gradient Boosting (XGB) memberikan hasil terbaik, mencapai akurasi 88.9%, F1-score 87.7%, dan Matthews Correlation Coefficient (MCC) 75.8%. Penggunaan metode balancing data, seperti SMOTE, ROS, dan RUS, secara signifikan memengaruhi performa algoritma, menyoroti pentingnya pemilihan metode sesuai dengan karakteristik dataset. Hasil ini memiliki implikasi penting dalam meningkatkan prediksi dan manajemen risiko kematian pada pasien gagal jantung secara dini dan lebih hemat biaya.]]>
Copyrights © 2024
