Peningkatan Performa Model Gradient Boosting dalam Klasifikasi Stroke Melalui Optimasi Grid Search

Handayani, Susi
Fajrizal
Taslim
Toresa, Dafwen
Syahril

Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Vol. 14 No. 3 (2024): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)

Studi ini menyelidiki pengaruh optimasi hyperparameter dengan grid search pada model XGBoost dan LightGBM dalam klasifikasi stroke. Hasil penelitian menunjukkan bahwa optimasi parameter secara signifikan meningkatkan performa kedua model, terutama dalam akurasi, precision, F1 Score, dan ROC-AUC Score. Pada model XGBoost, peningkatan terutama terlihat akurasi dan precision, sementara LightGBM menunjukkan peningkatan merata di semua metrik evaluasi. Temuan ini menggarisbawahi pentingnya optimasi hyperparameter dalam membangun model klasifikasi yang efektif untuk memprediksi risiko stroke dengan lebih akurat dan dapat diandalkan. Penemuan ini dapat berkontribusi dalam pemahaman lebih lanjut tentang faktor-faktor yang mempengaruhi stroke serta mendukung penanganan yang lebih tepat dan efektif dalam praktik klinis