Logo UNTAN Universitas
Tanjungpura
Pontianak

Analisis Pengaruh Feature Selection pada Model Hybrid Machine Learning untuk Prediksi Penyakit Jantung

Fikri, Al Jauzi (2026) Analisis Pengaruh Feature Selection pada Model Hybrid Machine Learning untuk Prediksi Penyakit Jantung. Skripsi thesis, Universitas Tanjungpura.

[img] PDF (Cover-Bab1)
Cover-Bab1_D1041221075.pdf - Published Version

Download (1MB)
[img] PDF (D1041221075_FIKRI_AL_JAUZI)
D1041221075_FIKRI_AL_JAUZI.pdf - Accepted Version
Restricted to Repository staff only

Download (5MB)

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia sehingga diperlukan sistem prediksi yang akurat dan efisien untuk mendukung deteksi dini. Salah satu pendekatan yang banyak digunakan adalah Machine Learning, termasuk model Hybrid yang menggabungkan Extra Trees Classifier (ETC) dan Extreme Gradient Boosting (XGBoost). Penelitian ini bertujuan untuk menganalisis pengaruh penerapan feature selection menggunakan Pearson Correlation Coefficient (PCC) pada fitur numerik, Chi Square pada fitur kategorikal, serta kombinasi keduanya terhadap performa model Hybrid ETCXGB dalam prediksi penyakit jantung. Dataset yang digunakan berasal dari UCI Hungarian Heart Disease Dataset. Tahapan penelitian yang dilakukan meliputi: (1) Pengumpulan Data; (2) Exploratory Data Analysis (EDA); (3) Preprocessing melalui penghapusan data duplikat, koreksi nilai yang tidak sesuai dengan domain medis, dan imputasi missing value menggunakan median; (4) Seleksi fitur menggunakan Pearson Correlation Coefficient (PCC) dan Chi Square dengan optimasi parameter melalui Grid Search; (5) Implementasi model ETC, XGBoost, dan Hybrid ETCXGB; (6) Evaluasi menggunakan Stratified Nested Cross Validation 5×5; (7) Analisis statistik menggunakan uji Friedman dan post hoc Nemenyi. Hasil penelitian menunjukkan bahwa skenario ETCXGB PCC dan ETCXGB Combined menghasilkan rata-rata Accuracy tertinggi sebesar 0,8452, diikuti ETCXGB Chi Square sebesar 0,8391 dan ETCXGB Baseline sebesar 0,8243. Uji Friedman menghasilkan nilai statistik 58,7862 dengan p value 0,0000016645, yang menunjukkan adanya perbedaan performa yang signifikan untuk 8 dari 18 skenario penelitian. Namun, uji post hoc Nemenyi menunjukkan bahwa penerapan PCC, Chi Square, maupun kombinasi keduanya pada model Hybrid ETCXGB belum menghasilkan perbedaan performa yang signifikan dibandingkan model tanpa feature selection. Selain itu, fitur sex, cp, exang, slope, ca, dan thal merupakan fitur yang paling konsisten dipilih pada skenario terbaik. Dengan demikian, penerapan feature selection mampu menghasilkan performa yang kompetitif sekaligus mengidentifikasi fitur-fitur klinis yang relevan, meskipun belum terbukti meningkatkan performa model Hybrid ETCXGB secara signifikan berdasarkan pengujian statistik.

Item Type: Thesis (Skripsi)
Creators:
CreatorsNomor Induk Mahasiswa (NIM)Email
Fikri, Al JauziNIMD1041221075UNSPECIFIED
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus
Divisions: Fakultas Teknik > Teknik Informatika S1
SWORD Depositor: Robiatul Adawiyah
Depositing User: Robiatul Adawiyah
Date Deposited: 29 Oct 2026 02:35
Last Modified: 29 Oct 2026 02:35
URI: https://repository.untan.ac.id/id/eprint/9837

Actions (login required)

View Item View Item