<![CDATA[Penyakit jantung tetap menjadi penyebab utama morbiditas dan mortalitas global, mendorong kebutuhan akan metode prediksi risiko yang akurat dan efisien. Penelitian ini bertujuan untuk mengembangkan model prediksi penyakit jantung yang robust menggunakan algoritma XGBoost, dengan penekanan pada peningkatan kinerja melalui optimasi hyperparameter berbasis GridSearchCV. Data yang digunakan berasal dari UCI Machine Learning Repository, mencakup 302 sampel dengan 14 atribut klinis dan demografis pasien. Metode penelitian melibatkan prapemrosesan data, pembagian data secara stratified menjadi set pelatihan (training set, 75%) dan set pengujian (testing set, 25%), serta implementasi model XGBoost. GridSearchCV dengan validasi silang 5-fold diterapkan secara sistematis untuk mencari kombinasi hyperparameter optimal. Hasil optimasi menghasilkan konfigurasi terbaik dengan learning_rate sebesar 0,05, max_depth 3, n_estimators 200, min_child_weight 5, gamma 0,3, subsample 0,8, dan colsample_bytree 1,0, dengan rata-rata akurasi validasi silang (cross-validation) sebesar 84,52%. Evaluasi pada set pengujian menunjukkan akurasi sebesar 77,63%, presisi 78,57%, recall 80,49%, F1-score 79,52%, dan ROC-AUC 0,88. Recall yang tinggi menunjukkan kemampuan model dalam mendeteksi lebih dari 80% kasus positif penyakit jantung, yang kritis dalam konteks diagnosis medis. Kesimpulan dari studi ini adalah bahwa kombinasi XGBoost dengan strategi optimasi hyperparameter menggunakan GridSearchCV merupakan pendekatan yang efektif untuk prediksi risiko penyakit jantung, berpotensi menjadi alat bantu diagnostik yang berharga dalam praktik klinis]]>
Copyrights © 2026
