PENINGKATAN PERFORMA ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) MENGGUNAKAN TEKNIK BAGGING PADA DIAGNOSIS PENYAKIT JANTUNG | PERPUSTAKAAN UNIVERSITAS MUHAMMADIYAH BREBES

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

Image of PENINGKATAN PERFORMA ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) MENGGUNAKAN TEKNIK BAGGING PADA DIAGNOSIS PENYAKIT JANTUNG

Teks

PENINGKATAN PERFORMA ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) MENGGUNAKAN TEKNIK BAGGING PADA DIAGNOSIS PENYAKIT JANTUNG

Kokom Hera Fitriyana - Nama Orang;

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia,
sehingga dibutuhkan metode diagnosis yang cepat dan akurat. Salah satu
pendekatan yang dapat digunakan adalah data mining, khususnya metode
klasifikasi untuk menganalisis data kesehatan. Algoritma Classification and
Regression Tree (CART) dikenal memiliki interpretabilitas tinggi, namun memiliki
kelemahan dalam hal kestabilan model. Untuk mengatasi hal tersebut, diterapkan
teknik Bagging untuk menutupi kekurangan tersebut, sehingga rumusan masalah
dalam penelitian mengenai bagaimana penerapan teknik Bagging dapat
meningkatkan performa algoritma CART dalam diagnosis penyakit jantung.
Tujuan dari penelitian ini adalah untuk menerapkan dan mengevaluasi efektivitas
teknik Bagging dalam meningkatkan akurasi klasifikasi pada algoritma CART.
Penelitian ini menggunakan tiga dataset penyakit jantung yang bersumber dari
platform Kaggle, yaitu Heart Disease, Heart Disease Cleveland, dan Heart Disease
Prediction. Penelitian ini menggunakan dua kondisi pada model yaitu
menggunakan parameter default dan parameter hasil tuning. Tahapan Penelitian
yang dilakukan meliputi preprocessing data (penyesuaian tipe data, missing value,
dan outlier), pembentukan dua model klasifikasi (CART tunggal dan CART dengan
Bagging). Selain itu, dilakukan hyperparameter tuning menggunakan metode Grid
Search untuk mengoptimalkan performa model. Evaluasi hasil dihitung
berdasarkan metrik evaluasi seperti akurasi.
Hasil penelitian menunjukkan bahwa penerapan teknik Bagging meningkatkan
akurasi algoritma CART secara konsisten pada ketiga dataset. Dengan parameter
default akurasi pada dataset Heart Disease dari 72,89% menjadi 78%, Heart
Disease Cleveland dari 81,89% menjadi 85,78%, dan Heart Disease Prediction dari
77,44% menjadi 82,44%. Sedangkan dengan parameter hasil tuning, akurasi pada
dataset Heart Disease dari 75% menjadi 84%, Heart Disease Cleveland dari 77%
menjadi 83%, dan Heart Disease Prediction memiliki akurasi yang sama pada
kedua model yaitu 83%. Penelitian ini menunjukkan bahwa kombinasi CART
dengan teknik Bagging dapat secara signifikan meningkatkan akurasi serta
kestabilan model dalam diagnosis penyakit jantung.

Ketersediaan

S00045.25 RF TI.S00045.25 Her p My Library Tersedia

Informasi Detail

Judul Seri: -
No. Panggil: RF TI.S00045.25 Her p
Penerbit: Paguyangan : Universitas Muhammadiyah Brebes., 2025
Deskripsi Fisik: xx,127hlm.;30cm
Bahasa: Indonesia
ISBN/ISSN: -
Klasifikasi: TI.S00045.25
Tipe Isi: -
Tipe Media: -
Tipe Pembawa: -
Edisi: -
Subjek: Klasifikasi
Bagging
CART
Grid Search
Penyakit Jantung
Info Detail Spesifik: Dilengkapi CD
Pernyataan Tanggungjawab: Kokom Hera Fitriyana 21.01.0.0008 Tugas Akhir diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana

Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas

PENINGKATAN PERFORMA ALGORITMA CLASSIFICATION AND REGRESSION TREE (CART) MENGGUNAKAN TEKNIK BAGGING PADA DIAGNOSIS PENYAKIT JANTUNG

Komentar

Anda harus masuk sebelum memberikan komentar