Analisis Perbandingan Teknik Optimasi Hyperparameter pada Metode Catboost dan Xgboost untuk Klasifikasi Penyakit Kardiovaskular

Abstract

Penyakit Kardiovaskular (PKV) merupakan kondisi di mana terjadi penyempitan atau penyumbatan pembuluh darah yang dapat mengakibatkan serangan jantung atau stroke. Penyakit ini merupakan penyebab utama kematian global yang mematikan. Pencegahan dini dengan identifikasi risiko dan pengobatan yang tepat dapat mengurangi angka kematian. Machine learning, termasuk algoritma seperti CatBoost dan XGBoost, dapat membantu mengidentifikasi risiko dengan akurasi tinggi. Penelitian ini membandingkan efektivitas model CatBoost dan XGBoost dalam klasifikasi risiko PKV dengan mengoptimalkan hyperparameter menggunakan Bayesian Optimization, Random Search, dan Genetic Algorithm. Dataset yang digunakan adalah Heart Diseases Indicators dari Kaggle. Hasil penelitian menunjukkan bahwa Bayesian Optimization secara konsisten meningkatkan performa model dengan waktu komputasi yang moderat. Pada XGBoost, Bayesian Optimization mencapai akurasi tertinggi 94.625, sedangkan pada CatBoost mencapai 94.758. Random Search menunjukkan performa yang stabil. Sementara Genetic Algorithm menghasilkan hasil yang bervariasi tergantung pada model dan dataset. Secara keseluruhan, teknik optimasi hyperparameter efektif meningkatkan performa model, terutama Bayesian Optimization.