Model Hybrid Random Forest -XGBoost dengan Seleksi Fitur Backward sebagai Alat Skrining Dini Penyakit Jantung Berbasis Variabel yang Dapat Diakses Masyarakat Umum

Yosia Himawan, Rivaldo (2026) Model Hybrid Random Forest -XGBoost dengan Seleksi Fitur Backward sebagai Alat Skrining Dini Penyakit Jantung Berbasis Variabel yang Dapat Diakses Masyarakat Umum. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (445kB)
	PDF BAB_I.pdf Download (256kB)
	PDF BAB_II.pdf Download (491kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (347kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (271kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (251kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (297kB)
	Archive (ZIP) 00000071997_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Penyakit jantung merupakan penyebab kematian tertinggi di dunia, namun metode diagnosis konvensional memerlukan biaya tinggi, waktu lama, dan akses terbatas ke tenaga medis. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest, XGBoost, serta model hibrida Random Forest­XGBoost dengan teknik soft voting dalam prediksi penyakit jantung. Menggunakan metodologi CRISP-DM, penelitian ini memanfaatkan dataset gabungan dari UCI Machine Learning Repository (Cleveland, Hungary, Switzerland, Long Beach VA, Statlog) yang berjumlah 11.543 rekam medis setelah melalui tahap pembersihan data yang meliputi penanganan nilai kosong dan outlier. Proses backward feature selection diterapkan secara iteratif untuk memilih 7 fitur yang mudah diakses masyarakat, yaitu usia, jenis kelamin, nyeri dada, tekanan darah istirahat, kolesterol, gula darah puasa, dan denyut jantung maksimal. Hasil evaluasi pada data uji menunjukkan bahwa model hibrida dengan pembobotan soft voting (2:1 untuk XGBoost) memiliki performa terbaik dengan akurasi 98,15%, F1-score 0,9841, AUC-ROC 0,9980, recall 98,14%, dan presisi 98,68%. Validasi silang 5-lipat mengonfirmasi stabilitas model hibrida dengan rata-rata F1-score 0,9845 dan standar deviasi terkecil (0,0024), mengungguli XGBoost tunggal (95,88%) dan Random Forest tunggal (93,89%). Model terbaik kemudian diimplementasikan ke dalam prototipe aplikasi web bernama CardioPredict menggunakan framework Streamlit. Penelitian ini menyimpulkan bahwa model hibrida Random Forest­XGBoost efektif digunakan untuk prediksi penyakit jantung dan siap diimplementasikan sebagai alat deteksi dini yang dapat digunakan secara mandiri oleh masyarakat luas.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Yosia Himawan, Rivaldo (00000071997)
Contributors:	Sunardi Oetama, Raymond
Keywords:	Backward Feature Selection, Klasifikasi, Model Hibrida, Penyakit Jantung, Random Forest, XGBoost
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	28 Jul 2026 12:10
URI:	https://kc.umn.ac.id/id/eprint/48383

Actions (login required)

View Item