Perbandingan Performa Model Extra Trees Classifier, Xgboost, dan Etcxgb dengan Feature Selection dan Feature Extraction pada Data Penyakit Jantung
Maharani, Nurazizah (2026) Perbandingan Performa Model Extra Trees Classifier, Xgboost, dan Etcxgb dengan Feature Selection dan Feature Extraction pada Data Penyakit Jantung. Skripsi thesis, Universitas Tanjungpura.
|
PDF (Cover-Bab1)
Cover-Bab1_D1041221005.pdf - Published Version Download (699kB) |
|
|
PDF (D1041221005_MAHARANI_NURAZIZAH)
D1041221005_MAHARANI_NURAZIZAH.pdf - Accepted Version Restricted to Repository staff only Download (3MB) |
Abstract
Penyakit jantung merupakan penyebab kematian global tertinggi dengan total sekitar 17,9 juta jiwa per tahun. Keterlambatan diagnosis menjadi faktor utama yang memperburuk kondisi ini, sehingga diperlukan metode prediksi dini berbasis machine learning. Meskipun penelitian mengenai model hibrida telah banyak dilakukan, perbandingan komprehensif antara kinerja model tunggal dan model hibrida, serta pengaruh mendalam dari pengolahan fitur terhadap performa model, masih belum ditinjau secara saksama. Penelitian ini bertujuan untuk mengevaluasi pengaruh penerapan metode seleksi fitur (Fisher Score dan Mutual Information) serta ekstraksi fitur (Principal Component Analysis - PCA) terhadap kinerja tiga model klasifikasi: Extra Trees Classifier (ETC), XGBoost, dan model hibrida ETCXGB. Pengujian dilakukan melalui delapan skenario pemrosesan fitur pada dataset penyakit jantung dengan 13 variabel klinis. Evaluasi kinerja dilakukan berdasarkan metrik confusion matrix (akurasi, presisi, recall, F1-score, dan AUC), serta analisis stabilitas (standar deviasi dan gap akurasi). Hasil penelitian menunjukkan bahwa pengaruh metode pengolahan fitur bergantung pada kesesuaian karakteristik fitur terhadap mekanisme pembelajaran model. Model ETC mencapai performa paling optimal pada skenario Mutual Information dengan akurasi 83,44%, AUC 0,9099, dan standar deviasi terendah 0,0106 (menunjukkan stabilitas terbaik). Pada sisi lain, XGBoost dan model hibrida ETCXGB menunjukkan performa terbaik pada skenario Fisher Score + PCA, dengan nilai AUC 0,9085 dan akurasi tertinggi 83,78%. Secara keseluruhan, konfigurasi ETC dengan Mutual Information menjadi model paling optimal karena mampu memberikan keseimbangan terbaik antara akurasi klasifikasi, generalisasi, dan stabilitas pada dataset dengan karakteristik fitur yang beragam.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||||||
| Divisions: | Fakultas Teknik > Teknik Informatika S1 | ||||||
| SWORD Depositor: | Rudiarti Rudiarti | ||||||
| Depositing User: | Rudiarti Rudiarti | ||||||
| Date Deposited: | 10 Nov 2026 04:28 | ||||||
| Last Modified: | 10 Nov 2026 04:28 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/10538 |
Actions (login required)
![]() |
View Item |
