IAESONLINEIAESONLINE
Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI)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.
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.
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.
- 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
- 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
| File size | 870.24 KB |
| Pages | 19 |
| DMCA | Report |
Related /
JAYABAYAJAYABAYA Hasil penelitian yang diperoleh bahwa penyelenggaraan pemerintahan atau pelayanan publik di Kabupaten Kemayoran pada masa pandemi covid-19 tidak ada masalahHasil penelitian yang diperoleh bahwa penyelenggaraan pemerintahan atau pelayanan publik di Kabupaten Kemayoran pada masa pandemi covid-19 tidak ada masalah
JAYABAYAJAYABAYA Kinerja Aparatur Sipil Negara sudah baik dalam kuantitas, kualitas, pemanfaatan waktu, dan kerja sama, namun perlu ditingkatkan lebih lanjut. AnalisisKinerja Aparatur Sipil Negara sudah baik dalam kuantitas, kualitas, pemanfaatan waktu, dan kerja sama, namun perlu ditingkatkan lebih lanjut. Analisis
AKADEMITNIALAKADEMITNIAL VSAT Sailor di KRI masih belum optimal karena keterbatasan jangkauan area dan ketidakmampuan menghadapi cuaca buruk, yang mengakibatkan gangguan komunikasiVSAT Sailor di KRI masih belum optimal karena keterbatasan jangkauan area dan ketidakmampuan menghadapi cuaca buruk, yang mengakibatkan gangguan komunikasi
RADEN WIJAYARADEN WIJAYA Penelitian ini menyimpulkan bahwa persepsi wisatawan terhadap sembilan destinasi utama di Kabupaten Belitung Timur periode 2020–2025 secara umum didominasiPenelitian ini menyimpulkan bahwa persepsi wisatawan terhadap sembilan destinasi utama di Kabupaten Belitung Timur periode 2020–2025 secara umum didominasi
AKMICIREBONAKMICIREBON 5 days based on vessel size), berth utilisation under different traffic scenarios, revenue, idle costs, and congestion management via predictive modelling.5 days based on vessel size), berth utilisation under different traffic scenarios, revenue, idle costs, and congestion management via predictive modelling.
STTSSTTS Penelitian ini memperkenalkan desain dan implementasi sistem asisten berbasis tombol untuk permainan simulasi Story of Seasons: Friends of Mineral Town,Penelitian ini memperkenalkan desain dan implementasi sistem asisten berbasis tombol untuk permainan simulasi Story of Seasons: Friends of Mineral Town,
STTSSTTS Analisis kami menunjukkan efektivitas arsitektur yang lebih sederhana dalam mencapai kinerja yang unggul, menantang asumsi yang berlaku tentang kompleksitasAnalisis kami menunjukkan efektivitas arsitektur yang lebih sederhana dalam mencapai kinerja yang unggul, menantang asumsi yang berlaku tentang kompleksitas
UNTAG SMDUNTAG SMD Dari hasil perhitungan dapat disimpulkan bahwa biaya aktual pada akhir waktu pelaksanaan proyek tersebut sebesar Rp.1. 049.263.386,05 dan persentasi keuntunganDari hasil perhitungan dapat disimpulkan bahwa biaya aktual pada akhir waktu pelaksanaan proyek tersebut sebesar Rp.1. 049.263.386,05 dan persentasi keuntungan
Useful /
STTSSTTS Integrasi mesin rekomendasi belajar mesin berbasis transformer secara signifikan meningkatkan kemampuan sistem untuk merekomendasikan pelatihan remedialIntegrasi mesin rekomendasi belajar mesin berbasis transformer secara signifikan meningkatkan kemampuan sistem untuk merekomendasikan pelatihan remedial
STKYAKOBUSSTKYAKOBUS Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor penyebab yang mendasari perilaku menyimpang di kalangan anak-anak usia di bawah umur, sertaPenelitian ini bertujuan untuk mengidentifikasi faktor-faktor penyebab yang mendasari perilaku menyimpang di kalangan anak-anak usia di bawah umur, serta
KPUKPU Meskipun demikian, implementasinya di Indonesia masih menghadapi berbagai permasalahan baik teknis maupun non-teknis. Permasalahan tersebut meliputi keterbatasanMeskipun demikian, implementasinya di Indonesia masih menghadapi berbagai permasalahan baik teknis maupun non-teknis. Permasalahan tersebut meliputi keterbatasan
STTSSTTS Secara keseluruhan, metode CNN dengan arsitektur ResNet-50, bersama dengan data preprocessing menggunakan Real-ESRGAN dan Wiener Filter, optimizer Adam,Secara keseluruhan, metode CNN dengan arsitektur ResNet-50, bersama dengan data preprocessing menggunakan Real-ESRGAN dan Wiener Filter, optimizer Adam,