Prediksi Penyakit Jantung dengan Menggunakan Algoritma XgBoost dan Randomized Search Optimizer

Sahobby, Reo (2021) Prediksi Penyakit Jantung dengan Menggunakan Algoritma XgBoost dan Randomized Search Optimizer. Other thesis, UPN "Veteran" Yogyakarta.

Preview	Text abstrak_123170067.pdf Download (15kB) | Preview
Preview	Text cover_123170067.pdf Download (159kB) | Preview
Preview	Text daftar_isi_123170067.pdf Download (118kB) | Preview
Preview	Text daftar_pustaka_123170067.pdf Download (174kB) | Preview
Preview	Text lembar_pengesahan_123170067.pdf Download (297kB) | Preview
	Text Skripsi-123170067-Reo-Sahobby.pdf Restricted to Repository staff only Download (3MB)

Abstract

vi
Abstrak
Jantung merupakan organ dalam manusia yang fungsinya sangatlah penting yaitu untuk
mengedarkan darah yang berisi oksigen dan nutrisi ke seluruh tubuh dan mengangkut sisa
hasil metabolisme tubuh. Akan sangat fatal apabila di dalam organ jantung terdapat
gangguan seperti penyumbatan pembuluh darah, dan lain-lain sehingga dapat menyebabkan
jantung tidak dapat bekerja dan dapat menyebabkan kematian. Penyakit jantung juga bisa
disebut dengan istilah suddent death karena penyakit ini sering kali tidak menimbulkan
gejala namun, tiba-tiba pembuluh darah di jantung tersumbat sehingga tidak dapat
memompa darah dan menyalurkan ke seluruh tubuh, sehingga dapat menyebabkan kematian.
Proses pendeteksian apakah seseorang terkena penyakit jantung dapat dilakukan dengan
konsultasi kepada dokter spesialis jantung yang nantinya akan dilakukan pemeriksaan
laboratorium dan dikonsultasikan kembali kepada dokter spesialis jantung. Namun cara
tersebut tidaklah efisien, selain memakan waktu yang lama, juga karena memakan biaya
yang cukup tinggi. Oleh karena itu perlu dilakukan pendetiksian penyakit jantung secara
digital supaya dapat meningkatkan efektifitas kerja. Dalam kasus prediksi penyakit jantung,
penelitian sebelumnya sudah banyak dilakukan dengan menggunakan berbagai macam
algoritma klasifikasi yang ada. Dari berbagai macam algoritma yang sudah digunakan dalam
penelitian sebelumnya, tentunya masing-masing memiliki kelebihan dan kekurangan.
Contohnya adalah terjadi overfitting dimana akurasi pada data training sangat tinggi namun
akurasi pada data testing sangatlah rendah. Oleh karena itu dalam penelitian ini algoritma
yang dipilih adalah algoritma XgBoost yang dikenal memiliki kelebihan dapat mencegah
overfitting namun tetap mempertahankan akurasi yang tinggi. Untuk data yang digunakan
adalah data cleveland heart diseases yang berjumlah 303 dan memiliki 13 parameter.
Model yang dibangun dalam penelitian ini dilakukan tuning hyper parameter
menggunakan Randomized Search untuk menemukan hyper parameter yang terbaik. Hasil
dari penelitian ini adalah model klasifikasi penyakit jantung. Pengukuran akurasi model
dilakukan menggunakan confusion matrix, dari hasil pengukuran didapatkan akurasi model
secara keseluruhan adalah 90% dengan rincian akurasi pada data training adalah 91% dan
akurasi pada data testing adalah 83%. Pengukuran juga dilakukan dengan dataset lain yaitu
menggunakan statelog heart diseases dan mendapatkan akurasi sebesar 78%.
Kata kunci: penyakit jantung, prediksi, overfitting, XgBoostvii
Abstract
Heart is an organ in humans whose function is very important, namely to circulate blood
containing oxygen and nutrients throughout the body and transport the rest of the body's
metabolic products. It will be very fatal if there are disturbances in the heart organ such as
blockage of blood vessels, etc. so that it can cause the heart to not work and can cause death.
Heart disease can also be referred to as sudden death because this disease often causes no
symptoms, but suddenly the blood vessels in the heart become blocked so that they cannot
pump blood and distribute it throughout the body, which can cause death.
The process of detecting whether a person has heart disease can be done by consulting
a cardiologist who will later be subjected to laboratory tests and consulted again with a
cardiologist. However, this method is not efficient, in addition to taking a long time, also
because it is quite expensive. Therefore, it is necessary to digitally detect heart disease in
order to increase work effectiveness. In the case of prediction of heart disease, many
previous studies have been carried out using various existing classification algorithms. Of
the various algorithms that have been used in previous studies, of course, each has
advantages and disadvantages. An example is overfitting where the accuracy of the training
data is very high but the accuracy of the testing data is very low. Therefore, in this study the
algorithm chosen is the XgBoost algorithm which is known to have the advantage of being
able to prevent overfitting but still maintain high accuracy. The data used is cleveland heart
disease data, which is 303 and has 13 parameters.
The model built in this research is done by tuning the hyper parameters using
Randomized Search to find the best hyper parameters. The result of this study is a
classification model of heart disease. Measurement of model accuracy is carried out using
a confusion matrix, from the measurement results obtained the overall model accuracy is
90% with details of accuracy in training data is 91% and accuracy in testing data is 83%.
Measurements were also carried out with other datasets, namely using a heart disease
statelog and obtained an accuracy of 78%.
Keywords: heart disease, prediction, overfitting, XgBoost

Item Type:	Thesis (Other)
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	17 Dec 2021 06:17
Last Modified:	01 Nov 2022 03:23
URI:	http://eprints.upnyk.ac.id/id/eprint/27337

Actions (login required)

View Item