Email this article 
Analisis Model Prediksi Penyakit Jantung Menggunakan Adaptive Boosting, Gradient Boosting, dan Extreme Gradient Boosting
Abstract
Deteksi dini penyakit jantung merupakan langkah penting untuk meningkatkan kualitas diagnosis dan perawatan pasien. Namun, metode prediksi manual yang sering digunakan tenaga medis memiliki keterbatasan dalam efisiensi waktu, akurasi, dan kemampuan menangani volume data yang besar. Dalam bidang kecerdasan buatan, algoritma machine learning seperti Adaptive Boosting (AdaBoost), Gradient Boosting, dan Extreme Gradient Boosting (XGBoost) menawarkan potensi untuk meningkatkan akurasi prediksi, terutama dalam mengatasi tantangan pada dataset kecil yang sering mengalami ketidakseimbangan kelas dan risiko overfitting. Penelitian ini bertujuan untuk menganalisis kinerja ketiga algoritma boosting tersebut dalam memprediksi penyakit jantung. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan akurasi sebesar 84.78% dan ROC-AUC 0.9410, menjadikannya algoritma paling efektif dalam menangani pola data yang kompleks. Gradient Boosting menjadi model paling efisien dengan waktu pelatihan tercepat, yaitu 0.3655 detik, dengan akurasi dan ROC-AUC yang kompetitif. Sementara itu, AdaBoost menunjukkan kelemahan dalam menangani ketidakseimbangan kelas tetapi tetap memberikan hasil yang baik untuk kelas mayoritas. Berdasarkan evaluasi precision, recall, dan F1-score, XGBoost direkomendasikan untuk aplikasi prediksi penyakit jantung, terutama dalam situasi yang memerlukan akurasi tinggi, sedangkan Gradient Boosting cocok untuk kebutuhan real-time.
Keywords
Full Text:
PDFReferences
M. Marniati, S. Notoatmodjo, S. Kasiman, and R. K. Rochadi, Lifestyle of Determinant: Penderita Penyakit Jantung Koroner. Depok: PT. RajaGrafindo Persada - Rajawali Pers, 2022.
Solehudin Solehudin and Saiful Gunardi, “Deteksi Dini Serangan Jantung Saat Aktivitas Olahraga,” Faedah J. Has. Kegiat. Pengabdi. Masy. Indones., vol. 1, no. 3, pp. 257–265, 2023.
R. Hidayat, Y. S. Sy, T. Sujana, M. Husnah, H. T. Saputra, and F. Okmayura, “Implementasi Machine Learning Untuk Prediksi Penyakit Jantung Menggunakan Algoritma Support Vector Machine,” BIOS J. Teknol. Inf. dan Rekayasa Komput., vol. 5, no. 2, pp. 161–168, 2024.
F. Handayani, “Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network Dalam Prediksi Penyakit Jantung,” J. Edukasi dan Penelit. Inform., vol. 7, no. 3, p. 329, 2021, doi: 10.26418/jp.v7i3.48053.
S. A. Putri, N. Selayanti, M. Kristanaya, M. P. Azzahra, M. G. Navsih, and K. M. Hindrayani, “Penerapan Machine Learning Algoritma Random Forest Untuk Prediksi Penyakit Jantung,” in Seminar Nasional Sains Data (SENADA), 2024, pp. 895–906.
D. F. Wicaksono, R. S. Basuki, and D. Setiawan, “Peningkatan Performa Model Machine Learning XGBoost Classifier melalui Teknik Oversampling dalam Prediksi Penyakit AIDS,” J. Media Inform. Budidarma, vol. 8, no. 2, p. 736, 2024, doi: 10.30865/mib.v8i2.7501.
G. Airlangga, “Enhancing Medical Diagnostics with Ensemble Machine Learning: A Comparative Study of Gradient Boosting, XGBoost, LightGBM, and Blended Models,” J. Ris. Sist. Inf. Dan Tek. Inform., vol. 9, no. 2, pp. 1118–1132, 2024.
I. M. Latief, A. Subekti, and W. Gata, “Prediksi Tingkat Pelanggan Churn Pada Perusahaan Telekomunikasi Dengan Algoritma Adaboost,” J. Inform., vol. 21, no. 1, pp. 34–43, 2021.
D. T. Murdiansyah, “Prediksi Stroke Menggunakan Extreme Gradient Boosting,” JIKO (Jurnal Inform. dan Komputer), vol. 8, no. 2, p. 419, 2024, doi: 10.26798/jiko.v8i2.1295.
M. Alkaff, A. Baskara, and A. Ainiyyah, “Penerapan Metode XGBoost Untuk Memprediksi Jumlah Kejadian Kecelakaan Lalu Lintas di Kota Banjarmasin,” Gener. J., vol. 7, no. 1, pp. 61–69, 2023, doi: 10.29407/gj.v7i1.19807.
F. Y. Pamuji, A. R. Muslikh, R. M. Arief, and D. Muti, “Komparasi Metode Mean dan KNN Imputation dalam Mengatasi Missing Value pada Dataset Kecil,” J. Inform. Polinema, vol. 10, no. 2, pp. 257–264, 2024, doi: 10.33795/jip.v10i2.5031.
Muhamad Fikri, “Klasifikasi Status Stunting Pada Anak Bawah Lima Tahun Menggunakan Extreme Gradient Boosting,” Merkurius J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 4, pp. 173–184, 2024, doi: 10.61132/merkurius.v2i4.159.
A. Sah, S. Suhardi, and S. Nurhayati, “Geographic Information System of Patient Development in Jayapura Hospital During Pandemic,” J. Teknol. Dan Open Source, vol. 4, no. 2, pp. 149–154, 2021, doi: 10.36378/jtos.v4i2.1412.
A. Sah, J. Jusmawati, S. Nurhayati, M. Tonggiroh, and S. Bonay, “Sistem Informasi Manajemen Pada Puskesmas Kota Jayapura Berbasis Web,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 3, pp. 212–220, 2022.
M. Yasser, “Heart Disease Dataset,” Kaggle. [Online]. Available: https://www.kaggle.com/datasets/yasserh/heart-disease-dataset
S. Ida Gultom, “Data Mining Implementation Determines a Healthy Lifestyle for KB Users Using the Adaboost Algorithm (Case Study :Dinas Serdang Bedagai),” J. Inf. dan Teknol. Ilm., vol. 7, no. 3, pp. 298–304, 2020.
N. Novianti, M. Zarlis, and P. Sihombing, “Penerapan Algoritma Adaboost Untuk Peningkatan Kinerja Klasifikasi Data Mining Pada Imbalance Dataset Diabetes,” J. Media Inform. Budidarma, vol. 6, no. 2, pp. 1200–1206, 2022, doi: 10.30865/mib.v6i2.4017.
A. T. Pratiwi, A. Barizi, M. I. Maulana, and P. Rosyani, “Systematic Literature Review Penerapan Gradient Boosting Untuk Klasifikasi Penyakit Diabetes Tipe 2,” BIIKMA Bul. Ilm. Ilmu Komput. dan Multimed., vol. 2, no. 3, pp. 454–458, 2024.
N. C. Sari and T. Linda Larasati, “Komparasi Algoritma Naïve Bayes dan Gradient Boosting untuk Prediksi Pasien Diabetes,” J. Nas. Teknol. dan Sist. Inf., vol. 10, no. 2, pp. 118–125, 2024, doi: 10.25077/TEKNOSI.v10i2.2024.118-125.
A. Wibowo, “Prediksi Kekuatan Gempa Menggunakan Machine Learning Dengan Model XGBoost Sebagai Langkah Strategis Dalam Perencanaan Struktur Bangunan Tahan Gempa Di Indonesia,” MESA (Teknik Mesin, Tek. Elektro, Tek. Sipil, Tek. Arsitektur), vol. 6, no. 1, pp. 18–29, 2023.
A. Candra, M. Erkamim, M. Muharrom, and E. Prayitno, “Klasifikasi Stunting Pada Balita Berdasarkan Status Gizi Menggunakan Pendekatan Support Vector Machine (SVM),” J. Ilm. FIFO, vol. 16, no. 2, pp. 171–181, 2024.
R. I. Borman and M. Wati, “Penerapan Data Maining Dalam Klasifikasi Data Anggota Kopdit Sejahtera Bandarlampung Dengan Algoritma Naïve Bayes,” J. Ilm. Fak. Ilmu Komput., vol. 9, no. 1, pp. 25–34, 2020.
R. I. Borman, R. Napianto, N. Nugroho, D. Pasha, Y. Rahmanto, and Y. E. P. Yudoutomo, “Implementation of PCA and KNN Algorithms in the Classification of Indonesian Medicinal Plants,” in International Conference on Computer Science, Information Technology and Electrical Engineering (ICOMITEE), IEEE, 2021, pp. 46–50.
R. I. Borman, F. Rossi, D. Alamsyah, R. Nuraini, and Y. Jusman, “Classification of Medicinal Wild Plants Using Radial Basis Function Neural Network with Least Mean Square,” in International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS), IEEE, 2022.
DOI: http://dx.doi.org/10.22441/fifo.2025.v17i1.006
Refbacks
- There are currently no refbacks.
Jurnal Ilmiah FIFO
|
Print ISSN: 2085-4315 |
|---|---|
| Online ISSN: 2502-8332 |
Sekretariat
Fakultas Ilmu Komputer
Universitas Mercu Buana
Jl. Raya Meruya Selatan, Kembangan, Jakarta 11650
Tlp./Fax: +62215871335
http://publikasi.mercubuana.ac.id/index.php/fifo
e-mail:[email protected]
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
.png)
