Publisher

ATMALUHURATMALUHUR

Journal Jurnal Sisfokom (Sistem Informasi dan Komputer)Jurnal Sisfokom (Sistem Informasi dan Komputer) Abstract

Penyakit jantung merupakan kondisi medis yang memengaruhi sistem kardiovaskular, mengganggu sirkulasi darah dan mengurangi efisiensi fungsi jantung, yang dapat menyebabkan komplikasi kesehatan serius. Diagnosa dini penyakit jantung semakin penting karena deteksi yang terlambat dapat secara signifikan memengaruhi hasil pasien dan tingkat kelangsungan hidup. Meskipun banyak studi telah mengeksplorasi berbagai pendekatan untuk klasifikasi penyakit jantung, tantangan terkait ketidakseimbangan data dan pengaturan parameter yang tidak tepat tetap menjadi masalah yang berkelanjutan yang memengaruhi kinerja model. Penelitian ini mengevaluasi efektivitas menggabungkan TabNet dengan SMOTE dan optuna optimasi parameter untuk klasifikasi penyakit jantung. Kami melakukan empat skenario eksperimen menggunakan dataset penyakit jantung dengan 303 instance: TabNet dasar, TabNet dasar dengan SMOTE, TabNet dengan Optuna, dan TabNet dengan SMOTE dan Optuna. Hasil menunjukkan bahwa menerapkan SMOTE sendirian ke TabNet mengurangi kinerja model (akurasi dari 85,24% menjadi 77,04%, AUC dari 0,89 menjadi 0,83). Namun, ketika menggabungkan SMOTE dengan optimasi parameter Optuna, kami mencapai kinerja optimal dengan akurasi 90,16%, presisi 93,33%, recall 87,50%, F1-score 90,32%, dan AUC 0,93. Ini mewakili peningkatan signifikan dibandingkan konfigurasi lain dan beberapa pendekatan klasifikasi sebelumnya. Integrasi SMOTE dengan optimasi Optuna memberikan kerangka kerja yang efektif yang mengungguli metode tradisional, terutama dalam kemampuan diskriminatif seperti dibuktikan oleh skor AUC yang unggul.

Conclusion

Implementasi teknik SMOTE secara terpisah dalam konteks klasifikasi penyakit jantung tidak selalu mengarah pada peningkatan kinerja model.Hal ini dibuktikan oleh penurunan akurasi dari 85,24% menjadi 77,04% dalam implementasi TabNet dasar.Analisis statistik pola kerugian pelatihan (p < 0,0001) menunjukkan bahwa menerapkan SMOTE tanpa penyesuaian parameter yang tepat justru menyebabkan model overfit ke sampel sintetis daripada belajar pola yang dapat digeneralisasi dari data.Fenomena ini terutama terlihat dalam dataset kami yang relatif kecil, di mana sampel sintetis yang dihasilkan oleh SMOTE gagal menangkap kompleksitas data pasien nyata secara memadai.Namun, ketika SMOTE dikombinasikan dengan optimasi parameter menggunakan Optuna, model mencapai kinerja terbaik keseluruhan dengan akurasi 90,16%, presisi 93,33%, recall 87,50%, F1-score 90,32%, dan AUC 0,93.Peningkatan signifikan ini di seluruh metrik menunjukkan efek sinergis dari menggabungkan teknik keseimbangan data yang tepat dengan optimasi parameter, di mana Optuna secara efektif mengatasi potensi overfitting dengan menyetel ulang parameter regulasi.identifikasi potensi dampak negatif SMOTE saat diterapkan secara terpisah, demonstrasi efektivitas Optuna dalam mengoptimalkan parameter TabNet, dan pencapaian kemampuan diskriminatif dengan AUC 0,93, yang mewakili peningkatan substansial atas pendekatan sebelumnya.

Future Research

Penelitian lanjutan dapat mengeksplorasi penggunaan teknik optimasi parameter lain seperti Bayesian Optimization atau Genetic Algorithms untuk meningkatkan kinerja TabNet dalam klasifikasi penyakit jantung. Selain itu, studi lebih lanjut perlu dilakukan untuk mengevaluasi generalisasi model pada dataset yang lebih besar dan beragam, terutama dari sumber data klinis nyata, untuk memastikan keandalan model dalam skenario dunia nyata. Terakhir, penelitian juga dapat fokus pada interpretasi model yang dioptimalkan, seperti mengembangkan alat visualisasi atau penjelasan yang lebih intuitif untuk membantu praktisi medis memahami faktor-faktor kritis yang memengaruhi diagnosis penyakit jantung.

Metadata

File size	680.61 KB
Pages	9
DMCA	Report