PDSIPDSI
Bulletin of Informatics and Data ScienceBulletin of Informatics and Data SciencePenyakit kardiovaskular tetap menjadi penyebab utama kematian di seluruh dunia. Menurut Organisasi Kesehatan Dunia (WHO), sekitar 17,9 juta kematian terjadi setiap tahun akibat kondisi kardiovaskular, yang mewakili 32% dari mortalitas global [1]. Dari angka ini, sekitar 85% disebabkan oleh serangan jantung dan stroke, dengan prevalensi yang terus meningkat, terutama di negara-negara berkembang [2]. Deteksi dini adalah salah satu strategi paling kritis untuk mengurangi tingkat mortalitas ini. Namun, proses diagnostik konvensional seringkali membutuhkan waktu yang lama, biaya tinggi, dan sangat bergantung pada keahlian klinis yang tidak selalu tersedia. Oleh karena itu, metode prediksi berbasis data yang menggunakan pembelajaran mesin telah muncul sebagai alternatif yang menjanjikan untuk mendukung identifikasi dini pasien berisiko tinggi dengan cara yang lebih efisien dan akurat.
Penelitian ini menunjukkan bahwa penerapan RobustScaler sebagai teknik pra-pemrosesan secara signifikan meningkatkan kinerja algoritma Support Vector Machine (SVM) dalam memprediksi kasus serangan jantung.Tanpa pra-pemrosesan, model SVM dasar mencapai akurasi sebesar 64,77% dan menunjukkan sensitivitas yang buruk terhadap kelas negatif, dengan recall hanya 26,47%.Setelah menggunakan RobustScaler, akurasi model meningkat menjadi 85,23%, dan skor ROC-AUC naik dari 73,65% menjadi 93,36%, menunjukkan peningkatan 26,78% dalam kemampuan klasifikasi.Temuan ini mengonfirmasi bahwa pemilihan strategi pra-pemrosesan yang tepat, khususnya dalam menangani outlier, memainkan peran penting dalam meningkatkan kinerja model pada dataset klinis.Dataset yang digunakan relatif kecil, hanya terdiri dari 303 catatan pasien, dan hasilnya tidak divalidasi pada dataset eksternal.Selain itu, penelitian ini fokus secara eksklusif pada RobustScaler tanpa membandingkannya dengan teknik pemrosesan atau penanganan outlier lainnya.Model juga menunjukkan penurunan ringan dalam recall untuk kelas positif, menunjukkan bahwa beberapa kasus serangan jantung masih salah diklasifikasikan.Penelitian masa depan disarankan untuk memperluas dataset, melakukan optimasi parameter, mengevaluasi metode pra-pemrosesan lainnya, dan menguji model pada populasi atau pengaturan klinis yang berbeda untuk meningkatkan ketahanan dan generalisasi.
Untuk penelitian lanjutan, disarankan untuk memperluas dataset dengan mengumpulkan lebih banyak data pasien dari berbagai sumber dan populasi. Selain itu, optimasi parameter model SVM dapat dilakukan untuk meningkatkan kinerjanya lebih lanjut. Penelitian juga dapat mengeksplorasi teknik-teknik pra-pemrosesan lainnya, seperti StandardScaler atau MinMaxScaler, dan membandingkan kinerjanya dengan RobustScaler. Selain itu, penelitian dapat menggabungkan teknik pra-pemrosesan dengan teknik seleksi fitur untuk meningkatkan kinerja model secara keseluruhan. Dengan memperluas dataset, melakukan optimasi parameter, dan mengeksplorasi teknik-teknik pra-pemrosesan dan seleksi fitur, penelitian lanjutan dapat meningkatkan ketahanan dan generalisasi model prediksi serangan jantung, sehingga dapat diterapkan secara luas dalam pengaturan klinis.
- Improving malaria prediction with ensemble learning and robust scaler: An integrated approach for enhanced... ejournal.ittelkom-pwt.ac.id/index.php/infotel/article/view/1056Improving malaria prediction with ensemble learning and robust scaler An integrated approach for enhanced ejournal ittelkom pwt ac index php infotel article view 1056
- Frontiers | Burden of Peripheral Artery Disease and Its Attributable Risk Factors in 204 Countries and... doi.org/10.3389/fcvm.2022.868370Frontiers Burden of Peripheral Artery Disease and Its Attributable Risk Factors in 204 Countries and doi 10 3389 fcvm 2022 868370
- Effect of Feature Scaling Pre-processing Techniques on Machine Learning Algorithms to Predict Particulate... doi.org/10.32628/ijsrst52411150Effect of Feature Scaling Pre processing Techniques on Machine Learning Algorithms to Predict Particulate doi 10 32628 ijsrst52411150
| File size | 446.3 KB |
| Pages | 9 |
| DMCA | Report |
Related /
KIPMIKIPMI Secara khusus, ME3 dan STAT1 menunjukkan asosiasi yang berbeda dengan hasil kelangsungan hidup, di mana ekspresi ME3 yang tinggi berkorelasi dengan tingkatSecara khusus, ME3 dan STAT1 menunjukkan asosiasi yang berbeda dengan hasil kelangsungan hidup, di mana ekspresi ME3 yang tinggi berkorelasi dengan tingkat
UNIPEMUNIPEM Perkembangan teknologi informasi yang pesat telah mendorong banyak perusahaan untuk beralih dari sistem manual ke sistem digital, termasuk dalam pengelolaanPerkembangan teknologi informasi yang pesat telah mendorong banyak perusahaan untuk beralih dari sistem manual ke sistem digital, termasuk dalam pengelolaan
UNIPEMUNIPEM Tujuan dari penelitian ini adalah untuk diciptakannya suatu sistem informasi pembayaran Sumbangan Pembinaan Pendidikan yang nantinya akan diakses melaluiTujuan dari penelitian ini adalah untuk diciptakannya suatu sistem informasi pembayaran Sumbangan Pembinaan Pendidikan yang nantinya akan diakses melalui
PDSIPDSI The application of the Gain Ratio feature selection in the Support Vector Machine method successfully increased the accuracy of diabetes classificationThe application of the Gain Ratio feature selection in the Support Vector Machine method successfully increased the accuracy of diabetes classification
PDSIPDSI Hasil ini mengindikasikan potensi besar machine learning dalam mendukung proses identifikasi forensik, khususnya dalam kasus di mana metode konvensionalHasil ini mengindikasikan potensi besar machine learning dalam mendukung proses identifikasi forensik, khususnya dalam kasus di mana metode konvensional
PDSIPDSI 01; and 0. 0005), while SVM classification was tested on three different kernels: Linear, RBF, and Polynomial. Model evaluation was performed using Confusion01; and 0. 0005), while SVM classification was tested on three different kernels: Linear, RBF, and Polynomial. Model evaluation was performed using Confusion
UNIMALUNIMAL Data was collected through interviews with relevant stakeholders, direct observations, and analysis of pertinent documents. The findings indicate thatData was collected through interviews with relevant stakeholders, direct observations, and analysis of pertinent documents. The findings indicate that
UBHINUSUBHINUS Pada penelitian ini metode Naïve Bayes dipilih karena kemampuannya dalam menangani data yang besar dan kompleks, serta menghasilkan prediksi yang akurat.Pada penelitian ini metode Naïve Bayes dipilih karena kemampuannya dalam menangani data yang besar dan kompleks, serta menghasilkan prediksi yang akurat.
Useful /
UNIBUNIB 9. 41, Quizzes, Canva, Google Form, Ms. Word, Dolby On, Nitro Pdf. The module consists of 3 main components, namely the introductory, core, and closing9. 41, Quizzes, Canva, Google Form, Ms. Word, Dolby On, Nitro Pdf. The module consists of 3 main components, namely the introductory, core, and closing
UBHINUSUBHINUS Dataset yang digunakan sebagai acuan dalam pembentukan model sistem deteksi menggunakan gambar sel darah dari sumber terbuka Kaggle sebanyak 11.312 gambar.Dataset yang digunakan sebagai acuan dalam pembentukan model sistem deteksi menggunakan gambar sel darah dari sumber terbuka Kaggle sebanyak 11.312 gambar.
UBHINUSUBHINUS Pinjaman menjadi instrumen keuangan yang penting dalam kehidupan modern baik bagi individu maupun kelompok usaha. Pertimbangan calon peminjam sangat pentingPinjaman menjadi instrumen keuangan yang penting dalam kehidupan modern baik bagi individu maupun kelompok usaha. Pertimbangan calon peminjam sangat penting
SINESIASINESIA Ini mencakup kerangka hukum yang adaptif, kerja sama antarinstansi yang strategis, dan peningkatan kesadaran masyarakat untuk memperjelas makna akan pentingnyaIni mencakup kerangka hukum yang adaptif, kerja sama antarinstansi yang strategis, dan peningkatan kesadaran masyarakat untuk memperjelas makna akan pentingnya