OPTIMASI HYPERPARAMETER GRIDSEARCHCV PADA MACHINE LEARNING UNTUK KLASIFIKASI PENYAKIT JANTUNG

Jannah, Septa Miftakhul (2024) OPTIMASI HYPERPARAMETER GRIDSEARCHCV PADA MACHINE LEARNING UNTUK KLASIFIKASI PENYAKIT JANTUNG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (215kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (311kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (72kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (376kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3916.zip Restricted to Repository staff only Download (506kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, termasuk di Indonesia. Upaya deteksi dini sangat penting untuk mengurangi risiko kematian, tetapi proses manual sering memakan waktu, biaya, dan rentan kesalahan. Teknologi machine learning menawarkan solusi yang lebih cepat dan efisien dengan menganalisis data kesehatan yang kompleks. Penelitian ini fokus pada optimasi hyperparameter menggunakan GridSearchCV untuk meningkatkan akurasi model klasifikasi penyakit jantung. Beberapa algoritma seperti Support Vector Machine (SVM), Naive Bayes, K-Nearest Neighbors (KNN), dan Logistic Regression digunakan untuk membandingkan hasil sebelum dan setelah optimasi. Penelitian dimulai dengan preprocessing data, seperti penanganan data tidak seimbang menggunakan SMOTE, seleksi fitur dengan Korelasi Pearson, normalisasi data menggunakan StandardScaler, serta pembagian dataset menjadi data latih dan uji dengan perbandingan 80:20. Setelah itu, dilakukan optimasi hyperparameter dengan GridSearchCV untuk menemukan pengaturan parameter terbaik pada setiap algoritma. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score melalui konfusi matriks. Hasil penelitian menunjukkan peningkatan akurasi yang signifikan pada semua algoritma setelah optimasi. Akurasi Support Vector Machine (SVM) meningkat dari 52% menjadi 95%, Naive Bayes dari 72% menjadi 78%, Logistic Regression dari 64% menjadi 97%, dan K-Nearest Neighbors (KNN) dari 53% menjadi 96%. Optimasi ini membantu menghasilkan model prediksi yang lebih akurat untuk mendeteksi dini penyakit jantung. Penelitian ini dapat bermanfaat bagi tenaga medis, peneliti, dan pengembang teknologi kesehatan untuk mempercepat dan mempermudah diagnosis penyakit jantung.

Actions (login required)

View Item