Klasifikasi Penyakit Kardiovaskular dengan Ensemble Stacking Menggunakan Catboost sebagai Meta-learner
Tahun 2025 · Penulis: Suleman Candra Kusuma
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penyakit kardiovaskular (CVD) merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini menjadi krusial untuk mencegah komplikasi yang lebih serius. Kemajuan dalam machine learning, khususnya metode ensemble learning, menawarkan potensi besar untuk meningkatkan akurasi prediksi penyakit. Penelitian ini bertujuan untuk mengukur dan mengoptimalkan performa model klasifikasi penyakit kardiovaskular menggunakan pendekatan ensemble stacking. Model yang diusulkan mengombinasikan empat base-learner (Extra-tree, XGBoost, LightGBM, AdaBoost) dengan CatBoost sebagai metalearner. Penelitian ini menggunakan tiga dataset publik, yaitu Cardiovascular Study Dataset, Cardiovascular-Disease-Dataset, dan Heart Disease Dataset, yang masing-masing melalui tahap pre-processing data yang disesuaikan, termasuk penanganan missing value, outlier, data duplikat, dan ketidakseimbangan kelas. Hasil penelitian dengan parameter default menunjukkan performa unggul pada Cardiovascular Study Dataset dengan akurasi 0,9751, meningkat signifikan (9- 17%) dibanding penelitian sebelumnya. Pada Cardiovascular-Disease Dataset, performa meningkat sekitar 1-1,5% , namun menurun pada Heart Disease Dataset yang berukuran lebih kecil. Proses optimasi parameter ensemble stacking (cv, stack_method, passthrough) berhasil meningkatkan performa pada ketiga dataset, dengan peningkatan akurasi tertinggi pada Heart Disease Dataset sebesar 4% (mencapai 0,9007) dan pada Cardiovascular Study Dataset mencapai 0,9801. Penelitian ini menyimpulkan bahwa model ensemble stacking dengan CatBoost sebagai meta-learner menghasilkan performa yang bagus terutama pada dataset berukuran besar dan optimasi parameter memberikan peningkatan performa yang konsisten.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,880
Tahun 2026 · Penulis: Ratna Puspita Eka Putri
Pengaruh Seleksi Fitur dan Ukuran Data pada Klasifikasi Penyakit Jantung dengan Naive Bayes dan Decision Tree
Penyakit jantung merupakan penyebab utama kematian secara global, yang bertanggung jawab atas sekitar 17,9 juta kematian setiap tahunnya. Deteksi dini melalui machine learning menawarkan solusi yang efisien dan dapat diskalakan, khususnya untuk fasilitas keseh
- Cosine 0,844
Tahun 2025 · Penulis: Augusta Ahmad Bintang Widigdo
Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso
Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya serin
- Cosine 0,841
Tahun 2024 · Penulis: Nico Wibiyanto
Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest dengan Seleksi Fitur Sequential, Chi-Square, dan Embedded Pada Penyakit Kanker Payudara
Kanker umumnya terkait dengan tumor ganas yang dapat menyebar ke jaringan tubuh yang lebih luas. Kanker payudara terjadi akibat pertumbuhan sel-sel payudara secara berlebih kemudian membentuk tumor yang bersifat jinak (benigna) dan ganas (maligna). Penyakit ka