Agam, M. Cita Prasetya (2025) PENERAPAN RANDOM FOREST DAN FEEDFORWARD NEURAL NETWORK UNTUK PREDIKSI PENYAKIT JANTUNG. Skripsi thesis, Universitas Muhamamdiyah Lamongan.
![[img]](http://repository.umla.ac.id/style/images/fileicons/text.png) |
Text
Halaman Pernyataan Orisinalitas_M. Cita Prasetya Agam_2103010042.pdf Download (362kB) |
|
Text
Lembar Persetujuan_M. Cita Prasetya Agam_2103010042.pdf Download (152kB) |
|
Text
Lembar Pengesahan_M. Cita Prasetya Agam_2103010042.pdf Download (136kB) |
|
Text
Halaman Judul_M. Cita Prasetya Agam_2103010042.pdf Download (366kB) |
|
Text
Bab 1_M. Cita Prasetya Agam_2103010042.pdf Download (130kB) |
|
Text
Bab 2_M. Cita Prasetya Agam_2103010042.pdf Restricted to Repository staff only Download (324kB) |
|
Text
Bab 3_M. Cita Prasetya Agam_2103010042.pdf Restricted to Repository staff only Download (347kB) |
|
Text
Bab 4_M. Cita Prasetya Agam_2103010042.pdf Restricted to Repository staff only Download (1MB) |
|
Text
Bab 5_M. Cita Prasetya Agam_2103010042.pdf Download (77kB) |
|
Text
Daftar Pustaka_M. Cita Prasetya Agam_2103010042.pdf Download (157kB) |
|
Text
Lampiran_M. Cita Prasetya Agam_2103010042.pdf Download (726kB) |
Abstraksi
Penyakit jantung terus menjadi penyebab utama kematian secara global, menjadikan pengembangan sistem deteksi dini yang akurat sebagai prioritas kritis dalam kesehatan masyarakat. Penelitian ini menjawab tantangan tersebut dengan mengembangkan sebuah model prediksi penyakit jantung berkinerja tinggi yang memanfaatkan data kuesioner. Fokus utama penelitian adalah mengatasi masalah ketidakseimbangan kelas yang lazim ditemukan dalam dataset medis, di mana jumlah kasus negatif jauh melebihi kasus positif. Metodologi yang diusulkan adalah arsitektur Stacking Ensemble, sebuah teknik canggih yang mengintegrasikan kekuatan prediksi dari tiga model dasar yang beragam: Random Forest, Feedforward Neural Network (FFNN), dan XGBoost. Prediksi dari ketiganya kemudian disintesis oleh sebuah meta-model Regresi Logistik untuk menghasilkan klasifikasi akhir yang lebih andal dan kuat. Untuk menyeimbangkan distribusi data, teknik oversampling Synthetic Minority Over-sampling Technique (SMOTE) juga diterapkan pada set pelatihan. Hasil evaluasi menunjukkan bahwa model Stacking berhasil mencapai akurasi keseluruhan yang tinggi, yaitu 90.8%. Namun, metrik ini kontras dengan nilai Recall yang secara signifikan rendah (14.03%), yang menyoroti keterbatasan kritis model dalam kemampuannya mengidentifikasi mayoritas kasus positif yang sebenarnya. Kesenjangan ini menggarisbawahi risiko klinis dari adanya false negative. Meskipun pendekatan Stacking menunjukkan potensi yang jelas untuk meningkatkan kinerja prediktif dibandingkan model tunggal, kondisi saat ini memerlukan optimasi lebih lanjut untuk penerapan klinis yang aman. Penelitian di masa depan harus memprioritaskan peningkatan sensitivitas model dengan berfokus pada rekayasa fitur tingkat lanjut, penyesuaian ambang batas klasifikasi (threshold tuning), dan eksplorasi meta-model yang lebih kompleks untuk secara signifikan meningkatkan tingkat deteksi kasus positif.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Uncontrolled Keywords: | Penyakit Jantung, Machine Learning, Stacking Ensemble, Prediksi Medis, Recall. |
| Subjects: | Fakultas Sains, Teknologi dan Pendidikan > S1 Teknik Komputer |
| Divisions: | Fakultas Sains, Teknologi dan Pendidikan |
| Depositing User: | M Cita Prasetya Agam |
| Date Deposited: | 26 Aug 2025 04:41 |
| Last Modified: | 26 Aug 2025 04:41 |
| URI: | http://repository.umla.ac.id/id/eprint/5840 |
Actions (login required)
 |
View Item |
