IMPLEMENTASI METODE EXTREME GRADIENT BOOSTING (XGBOOST) UNTUK KLASIFIKASI PENYAKIT JANTUNG

Damanik, Dama (2024) IMPLEMENTASI METODE EXTREME GRADIENT BOOSTING (XGBOOST) UNTUK KLASIFIKASI PENYAKIT JANTUNG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (221kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (825kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (238kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (579kB)
	Text (BAB V) BAB V.pdf Download (46kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (164kB)
	Archive (SOURCE CODE) Source Code - Dama Damanik.zip Restricted to Repository staff only Download (320kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (643kB)

Abstract

Penyakit jantung merupakan tantangan kesehatan serius yang memerlukan prediksi dan diagnosis yang akurat. Penelitian ini mengeksplorasi penerapan metode eXtreme Gradient Boosting (XGBoost) dalam klasifikasi dan prediksi penyakit jantung dengan menggunakan dataset klinis pasien yang didapatkan dari Kaggle (https://www.kaggle.com/datasets/rashikrahmanpritom/heart-attack- analysis-prediction-dataset). Fokus penelitian melibatkan analisis dampak implementasi XGBoost, tingkat akurasi yang dicapai, identifikasi variabel yang signifikan, dan pemilihan parameter optimal. Melibatkan perbandingan dengan algoritma Random Forest dan Support Vector Machine (SVM). Exploratory Data Analyst menggambarkan distribusi karakteristik seperti usia, jenis nyeri dada, tekanan darah, dan kolesterol pada sampel. Feature selection menyoroti variabel yang paling mempengaruhi output, termasuk exng, cp, oldpeak, dan thalachh. Hasil evaluasi kinerja model XGBoost menggunakan Confusion Matrix menunjukkan akurasi yang baik (85,25%), presisi yang memadai (81,57%), recall yang tinggi (93,94%), dan f1-score sebesar 87,32%. Dalam perbandingannya SVM menghasilkan nilai yang paling baik dengan akurasi 86,67% dan f1-score 87,50% mengungguli performa XGBoost dengan akurasi 85,25% dan f1-score 87,32% dan Random Forest dengan akurasi 81,97% dan f1-score 85,34%. Kesimpulan penelitian menekankan bahwa XGBoost efektif dalam klasifikasi penyakit jantung, dan saran untuk penelitian selanjutnya mencakup implementasi metode pada dataset lain dan penanganan ketidakseimbangan data.

Actions (login required)

View Item