Perbandingan Kinerja Ensemble Stacking dengan Base Learner pada Klasifikasi Penyakit Jantung

Abstract

Penyakit jantung, terutama Penyakit Jantung Koroner (PJK), adalah masalah kesehatan global serius yang menyebabkan kematian dan memiliki dampak sosialekonomi signifikan. PJK disebabkan oleh penyempitan arteri koroner akibat plak, yang mengurangi aliran darah ke jantung dan dapat menyebabkan iskemia, angina, atau serangan jantung. Diagnosis PJK yang cepat dan akurat sangat penting, namun rumit karena banyaknya data klinis yang harus diinterpretasi. Oleh karena itu, teknologi machine learning menawarkan potensi besar untuk meningkatkan ketepatan dan efisiensi diagnosis. Berbagai penelitian telah menunjukkan efektivitas machine learning, termasuk metode ensemble, dalam memprediksi dan mendiagnosis penyakit jantung. Penelitian ini bertujuan untuk membandingkan kinerja Ensemble Stacking dengan model base learner individu (Random Forest, Support Vector Machine, XGBoost) dalam mengklasifikasi data penyakit jantung, baik sebelum maupun sesudah optimasi hyperparameter. Metode penelitian meliputi penggunaan dataset penyakit jantung, preprocessing data, implementasi berbagai model, hyperparameter tuning dengan Grid Search dan K-Fold Cross-Validation, serta evaluasi mendalam menggunakan metrik Precision, Recall, F1-score, dan ROC AUC. Hasil menunjukkan bahwa Ensemble Stacking unggul tanpa tuning, namun setelah optimasi, keunggulannya terbatas pada metrik ROC AUC. Kesimpulannya, tuning hyperparameter efektif dalam meningkatkan kemampuan diskriminasi pada model secara keseluruhan.