OPTIMASI PREDKSI RISIKO PENYAKIT JANTUNG MENGGUNAKAN METODE HYBRID GRADIENT BOOSTIG BERBASIS KOMBINASI MODEL XGBOOST DAN LIGHTGBM

Rettob, Joe Fauzsanno (2026) OPTIMASI PREDKSI RISIKO PENYAKIT JANTUNG MENGGUNAKAN METODE HYBRID GRADIENT BOOSTIG BERBASIS KOMBINASI MODEL XGBOOST DAN LIGHTGBM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (850kB)
	Text (BAB I) BAB I.pdf - Published Version Download (270kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (656kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (600kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (80kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (130kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4794.zip Restricted to Repository staff only Download (229kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (609kB)

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian dengan angka prevalensi yang terus meningkat dan berdampak signifikan terhadap kualitas hidup masyarakat serta beban sistem kesehatan. Keterlambatan dalam mendeteksi risiko penyakit jantung menyebabkan penanganan medis sering dilakukan pada tahap lanjut, sehingga diperlukan pendekatan prediktif yang mampu mengidentifikasi risiko secara dini dan akurat berbasis data klinis dan demografis. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model Hybrid Gradient Boosting berbasis kombinasi algoritma XGBoost dan LightGBM guna mengoptimalkan performa prediksi risiko penyakit jantung. Tahapan penelitian meliputi pengumpulan dataset Heart Attack Indonesia, preprocessing data, exploratory data analysis (EDA), feature engineering, pembagian data latih dan data uji, pelatihan model XGBoost dan LightGBM, serta evaluasi kinerja model menggunakan metrik akurasi, precision, recall, dan F1-score. Selain itu, dilakukan cross-validation untuk menguji kemampuan generalisasi model serta analisis feature importance dan SHAP untuk meningkatkan interpretabilitas model. Hasil penelitian menunjukkan bahwa pendekatan Hybrid Gradient Boosting mampu menghasilkan performa prediksi yang optimal, stabil, dan memiliki kemampuan generalisasi yang baik. Variabel usia, tekanan darah, kadar kolesterol, dan indeks massa tubuh (BMI) terbukti berpengaruh signifikan terhadap risiko penyakit jantung. Penelitian ini berkontribusi dalam pengembangan model prediksi yang akurat dan dapat diinterpretasikan, serta dapat dimanfaatkan oleh tenaga medis, institusi kesehatan, dan peneliti sebagai alat bantu pengambilan keputusan dan pengembangan sistem pendukung diagnosis penyakit jantung.

Actions (login required)

View Item