<![CDATA[Penyakit jantung memerlukan deteksi risiko secara dini untuk mendukung upaya pencegahan. Penelitian ini bertujuan membandingkan kinerja empat metode ensemble learning, yaitu Bagging Decision Tree, Random Forest, AdaBoost, dan Gradient Boosting untuk klasifikasi risiko serangan jantung. Dataset yang digunakan adalah Heart Attack Risk Dataset yang terdiri atas 20.000 data dan 28 atribut. Tahapan penelitian meliputi preprocessing, Label Encoding, seleksi fitur menggunakan SelectKBest berbasis Mutual Information, dan pembentukan skenario Top-10, Top-15, serta Top-20 fitur. Ketidakseimbangan kelas ditangani menggunakan SMOTE, sedangkan optimasi hiperparameter dilakukan dengan RandomizedSearchCV. Evaluasi menggunakan Stratified 5-Fold Cross-Validation dengan recall kelas positif sebagai metrik utama, dilengkapi uji Wilcoxon Signed-Rank dengan koreksi Holm. Hasil menunjukkan bahwa Gradient Boosting pada skenario Top-10 memiliki kinerja empiris terbaik berdasarkan prioritas recall kelas positif, dengan accuracy sebesar 71,40% ± 0,61%, recall positif 74,20% ± 0,50%, dan F1-score positif 67,68% ± 0,48%. Pada pengujian akhir, diperoleh accuracy 71,17%, precision 61,84%, recall 74,60%, dan F1-score 67,62%. Uji statistik menunjukkan perbedaan kinerja antar-metode tidak signifikan pada taraf 5%. Model belum dapat digunakan untuk keputusan klinis dan memerlukan validasi lebih lanjut. Kata kunci — ensemble learning, risiko serangan jantung, feature selection, SMOTE, machine learning.]]>
Copyrights © 2026
