TY  - THES
TI  - IMPLEMENTASI MODEL TRANSFORMER MENGGUNAKAN
PARTICLE SWARM OPTIMIZATION (PSO) UNTUK PREDIKSI
PENYAKIT JANTUNG BERDASARKAN PARAMETER KLINIS
AV  - restricted
ID  - universitasamikomyogyakarta33133
M1  - bachelor
UR  - https://eprints.amikom.ac.id/id/eprint/33133/
KW  - Penyakit Jantung
KW  -  Transformer
KW  -  PSO
KW  -  Klasifikasi
KW  -  Deep Learning
KW  -  Heart Disease
KW  -  Classification.
Y1  - 2026/05/11/
A1  - Kabuchi, Avankha Barlian
PB  - Universitas AMIKOM Yogyakarta
N2  - Penyakit jantung merupakan salah satu penyebab utama kematian di dunia 
dengan jumlah kasus yang terus meningkat akibat gaya hidup tidak sehat dan
keterbatasan dalam proses diagnosis yang masih bergantung pada interpretasi
subjektif tenaga medis. Kondisi ini berdampak pada ketidakakuratan diagnosis serta
keterlambatan dalam penanganan, sehingga diperlukan sistem pendukung
keputusan yang mampu melakukan deteksi dini secara cepat dan akurat berbasis
data klinis. Penelitian ini bertujuan untuk mengembangkan model Prediksi penyakit
jantung menggunakan arsitektur Transformer yang dioptimasi dengan algoritma
Particle Swarm Optimization (PSO). Metode penelitian meliputi tahap
pengumpulan dataset dari repositori publik, preprocessing data, pembangunan
model Transformer untuk data tabular, serta optimasi hyperparameter
menggunakan PSO untuk memperoleh parameter terbaik. Evaluasi model
dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil
penelitian menunjukkan bahwa model Transformer yang dioptimasi menggunakan
PSO mampu menghasilkan performa klasifikasi yang baik dengan akurasi tinggi
dan keseimbangan pada metrik evaluasi lainnya. Selain itu, model mampu
mengidentifikasi parameter klinis yang berpengaruh terhadap risiko penyakit
jantung. Penelitian ini berkontribusi dalam pengembangan sistem prediksi berbasis
kecerdasan buatan yang dapat dimanfaatkan oleh tenaga medis sebagai alat bantu
diagnosis serta oleh masyarakat untuk deteksi dini penyakit jantung. Penelitian
selanjutnya dapat mengembangkan model dengan dataset yang lebih besar dan
metode optimasi yang lebih kompleks.
ER  -