Publisher

IAESONLINEIAESONLINE

Journal Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI) Abstract

Metode ensemble machine learning telah berkembang menjadi pendekatan kuat untuk meningkatkan presisi dan ketahanan model prediktif melalui integrasi berbagai algoritma pembelajaran. Penelitian ini memperkenalkan kerangka klasifikasi ensemble inovatif yang menggunakan pendekatan soft voting yang menggabungkan tiga teknik gradient boosting, yaitu XGBoost, LightGBM, dan CatBoost, untuk meningkatkan efektivitas prediksi penyakit jantung. Model dievaluasi menggunakan empat dataset yang berbeda (Heart Attack Risk Prediction Dataset, Heart Attack Dataset, Cleveland Heart Disease dataset, dan Heart Disease Dataset) yang diperoleh dari Kaggle dan repositori lainnya, masing-masing merefleksikan berbagai populasi dan variabel diagnostik. Dengan menerapkan pra-pemrosesan yang menyeluruh, pemilihan fitur yang hati-hati, dan pembagian training-testing-validating yang seimbang, sistem mencapai kinerja klasifikasi yang andal dan luar biasa. Temuan eksperimental menunjukkan bahwa pendekatan ensemble yang diusulkan jauh melebihi model klasik dan mandiri, mencapai akurasi sempurna atau hampir sempurna pada semua dataset, dengan akurasi puncak mencapai 100% pada dataset pertama, 98% pada dataset kedua, 100% pada dataset ketiga, dan 98,4% pada dataset keempat. Pencapaian kerangka kerja ini menunjukkan kelayakannya untuk digunakan di dunia nyata dalam sistem dukungan keputusan klinis dan menekankan efisiensi metode ensemble dalam diagnosis medis.

Conclusion

Hasil eksperimental menunjukkan bahwa model ensemble yang menggabungkan XGBoost, LightGBM, dan CatBoost dalam pendekatan soft voting outperforms classifiers tunggal dan klasifikasi tradisional.Tingkat sensitivitas dan spesifisitas yang luar biasa pada empat dataset independen juga menunjukkan generalisasi model pada berbagai populasi dan variabel diagnostik, menjamin keandalannya sebagai asisten kuat untuk sistem dukungan keputusan klinis.Ini adalah salah satu langkah kunci dalam penelitian kami.mengintegrasikan tiga mesin gradient boosting yang berbeda yang bekerja bersama, mengarah pada model yang lebih kuat dan kurang varians.Penggunaan pra-pemrosesan yang baik dan metode pemilihan fitur serta pembagian train-test-validation yang baik juga membantu mengurangi overfitting dan menghasilkan skor evaluasi yang lebih dapat dipercaya.Meskipun hasilnya menggembirakan, ada beberapa keterbatasan yang harus diperhatikan.Pelatihan model dan penggabungan prediksi untuk tiga model gradient boosting sekaligus lebih kompleks dan memakan waktu daripada model yang terisolasi, yang mengurangi aplikabilitasnya dalam praktik klinis secara real time di mana sumber daya terbatas.Dengan empat dataset yang digunakan, masing-masing memiliki jumlah data sampel yang kecil tetapi tidak mungkin mewakili semua populasi global.Dataset yang lebih besar dan beragam harus digunakan untuk mengonfirmasi generalisasi model ini.Meskipun ensemble pohon sering memberikan akurasi yang baik, mereka sulit untuk diinterpretasikan dibandingkan dengan pendekatan yang lebih sederhana seperti pohon keputusan atau regresi logistik yang mungkin menjadi hambatan dalam konteks klinis di mana interpretabilitas dianggap penting.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengembangkan pendekatan hybrid ensemble yang menggabungkan explainable AI untuk menyeimbangkan antara kinerja model dan interpretabilitas dalam sistem dukungan keputusan klinis. Menambahkan metode XAI dapat meningkatkan transparansi dan kepercayaan. Hal ini akan membantu klinisi memahami alasan di balik prediksi. Menguji model pada rentang dataset klinis yang lebih luas dan beragam akan menunjukkan skalabilitasnya dalam sistem kesehatan nyata. Selain itu, meningkatkan efisiensi komputasi dapat memungkinkan penggunaannya pada sistem terbenam atau aplikasi kesehatan seluler untuk pemantauan jarak jauh dan telemedis.

References

1. The Black Sea Journal of Sciences » Submission » Explainable Artificial Intelligence Approach... doi.org/10.31466/kfbd.1473382The Black Sea Journal of Sciences A Submission A Explainable Artificial Intelligence Approach doi 10 31466 kfbd 1473382
2. Ensemble Based Machine Learning Approach for Heart Disease Prediction | El Shenbary | Indonesian Journal... section.iaesonline.com/index.php/IJEEI/article/view/7015Ensemble Based Machine Learning Approach for Heart Disease Prediction El Shenbary Indonesian Journal section iaesonline index php IJEEI article view 7015

Metadata

File size	870.24 KB
Pages	19
DMCA	Report