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 /
BSIBSI Hasil penelitian ini adalah diperoleh nilai akurasi metode algoritma C5. 0 untuk pengolahan dataset pengajuan pinjaman dengan nilai akurasi 95,56%, selainHasil penelitian ini adalah diperoleh nilai akurasi metode algoritma C5. 0 untuk pengolahan dataset pengajuan pinjaman dengan nilai akurasi 95,56%, selain
USMUSM Sensor suhu yang digunakan adalah LM35 dengan karakteristik linier 10 mV/°C, sedangkan sensor kebisingan menggunakan modul Sound Mic Microphone SensorSensor suhu yang digunakan adalah LM35 dengan karakteristik linier 10 mV/°C, sedangkan sensor kebisingan menggunakan modul Sound Mic Microphone Sensor
SUBSETSUBSET Data dikumpulkan melalui teknik scraping pada kolom komentar video YouTube yang relevan, dengan total data sebanyak 4337 komentar. Proses analisis dilakukanData dikumpulkan melalui teknik scraping pada kolom komentar video YouTube yang relevan, dengan total data sebanyak 4337 komentar. Proses analisis dilakukan
IRPIIRPI Hasil eksperimen pada data menunjukkan bahwa Boruta efektif dalam meningkatkan metrik utama (akurasi, recall, dan AUC). Model Gradient Boosting meraihHasil eksperimen pada data menunjukkan bahwa Boruta efektif dalam meningkatkan metrik utama (akurasi, recall, dan AUC). Model Gradient Boosting meraih
IRPIIRPI Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi (99% pada skenario 80:20 dan 98% pada skenario 70:30) dibandingkan KNN (83%Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi (99% pada skenario 80:20 dan 98% pada skenario 70:30) dibandingkan KNN (83%
STTMIGASSTTMIGAS Decision Tree juga menunjukkan performa yang kompetitif tetapi lebih rentan terhadap overfitting. Gradient Boosting memiliki akurasi yang baik tetapi kurangDecision Tree juga menunjukkan performa yang kompetitif tetapi lebih rentan terhadap overfitting. Gradient Boosting memiliki akurasi yang baik tetapi kurang
SHMPUBLISHERSHMPUBLISHER Untuk mengurangi risiko kredit pada lembaga kredit, praktik manajemen risiko kredit perlu diterapkan agar lembaga pemberi pinjaman dapat bertahan dalamUntuk mengurangi risiko kredit pada lembaga kredit, praktik manajemen risiko kredit perlu diterapkan agar lembaga pemberi pinjaman dapat bertahan dalam
UNPAMUNPAM Dataset tersebut dibagi menjadi 2 kelas yaitu kelas toxic, dan non-toxic. Penelitian ini menggunakan Naive Bayes dengan transformasi TF-IDF dan seleksiDataset tersebut dibagi menjadi 2 kelas yaitu kelas toxic, dan non-toxic. Penelitian ini menggunakan Naive Bayes dengan transformasi TF-IDF dan seleksi
Useful /
BSIBSI Selain itu, aplikasi mengintegrasikan sistem manajemen basis data terintegrasi untuk memudahkan pemilik usaha dalam pemrosesan data, meningkatkan produktivitasSelain itu, aplikasi mengintegrasikan sistem manajemen basis data terintegrasi untuk memudahkan pemilik usaha dalam pemrosesan data, meningkatkan produktivitas
BSIBSI Responden dalam penelitian ini adalah pengguna yang sudah berlangganan menggunakan produk dari maxserver. Jumlah sampel dalam penelitian ini sebanyak 122Responden dalam penelitian ini adalah pengguna yang sudah berlangganan menggunakan produk dari maxserver. Jumlah sampel dalam penelitian ini sebanyak 122
KOMPETIFKOMPETIF Model penelitian memiliki daya jelaskan yang kuat, dengan R‑square 0,619 untuk respon stres. Temuan ini memperkuat penerapan Model Job Demands–ResourcesModel penelitian memiliki daya jelaskan yang kuat, dengan R‑square 0,619 untuk respon stres. Temuan ini memperkuat penerapan Model Job Demands–Resources
ISI YogyakartaISI Yogyakarta Penelitian ini menggunakan pendekatan etnografi. Pengumpulan data dilakukan dengan cara observasi-partisipasi. Penulis mengikuti dalam peristiwa-persitiwaPenelitian ini menggunakan pendekatan etnografi. Pengumpulan data dilakukan dengan cara observasi-partisipasi. Penulis mengikuti dalam peristiwa-persitiwa