Analisis Perbandingan Metode XGBoost dan Extra Trees untuk Klasifikasi Penyakit Jantung pada Dataset UCI Heart Disease: Analisis Perbandingan Metode XGBoost dan Extra Trees untuk Klasifikasi Penyakit Jantung pada Dataset UCI Heart Disease

Rifki, Erik Saputra
Azaria, Siti Rania
Praktiko, Angelina
Pratama, Alfan Rizaldy

Emerging Statistics and Data Science Journal
Vol. 4 No. 3 (2026): Emerging Statistics and Data Science Journal

Penelitian ini membandingkan XGBoost dan Extra Trees untuk klasifikasi penyakit jantung pada 303 data UCI Cleveland tanpa SMOTE. Data dibagi 80:20 secara stratifikasi, dengan imputasi median dan standardisasi berdasarkan data latih. XGBoost memperoleh akurasi 86,89% dan AUC 0,9437, sedangkan Extra Trees memperoleh akurasi 81,97% dan AUC 0,9535. Interval kepercayaan bootstrap untuk selisih kinerja mencakup nol, sementara uji McNemar menunjukkan perbedaan klasifikasi tidak signifikan (p = 0,4531). Berdasarkan skor komposit eksploratif, XGBoost dipilih sebagai model utama. Analisis permutation importance mengidentifikasi thal, ca, dan cp sebagai fitur prediktif penting. Pengujian pada dataset independen diperlukan untuk menilai kemampuan generalisasi model.