Perbandingan Algoritma Adaboost dan Bagging dalam Optimasi Klasifikasi Machine Learning

Abstract

Cerebrovaskular Accidents (CVA) atau stroke adalah penyakit saraf yang disebabkan oleh cedera pembuluh darah pada sistem saraf pusat. Pendekatan pembelajaran mesin dapat digunakan untuk diagnosis dini stroke dengan mengklasifikasikan data pasien berdasarkan faktor risiko seperti hipertensi, riwayat penyakit jantung, merokok, dan gaya hidup. Dalam mengembangkan model pembelajaran mesin, optimasi diperlukan untuk meningkatkan akurasi model untuk klasifikasi. Beberapa optimasi yang bisa digunakan antara lain AdaBoost dan Bagging. Hasil penelitian menunjukkan bahwa optimasi AdaBoost dapat meningkatkan akurasi model dasar Decision Tree dari 90% menjadi 92% dengan kombinasi parameter yang rendah. Hal ini juga berlaku untuk pengoptimalan Bagging, yang meningkatkan keakuratan model Pohon Keputusan dasar dari 92% menjadi 95% dengan kombinasi parameter tinggi.