BAB 1 - M Afif Rizky A
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
BAB 2 - M Afif Rizky A
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
BAB 3 - M Afif Rizky A
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
BAB 4 - M Afif Rizky A
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
BAB 5 - M Afif Rizky A
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
PUSTAKA - M Afif Rizky A
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas Alice Diniarti
» Gedung UPT Perpustakaan
Penyakit jantung koroner adalah salah satu penyebab utama kematian global,
sehingga penting untuk mengembangkan model klasifikasi penyakit jantung
koroner yang akurat. Namun, dataset penyakit ini seringkali berukuran kecil dan
berdimensi rendah, yang dapat meningkatkan risiko overfitting pada model
klasifikasi yang dibangun jika semua fitur digunakan. Oleh karena itu, diperlukan
metode feature selection yang tepat untuk memilih fitur paling relevan. Beberapa
penelitian menunjukkan bahwa Shapley Additive Explanations (SHAP) dianggap
memiliki potensi sebagai metode penyelesaian untuk feature selection. Penelitian
ini bertujuan untuk membuktikan SHAP dapat digunakan sebagai solusi untuk
feature selection pada model klasifikasi untuk data penyakit jantung koroner yang
memiliki karakteristik data yang relatif sedikit dan berdimensi kecil.
Eksperimen dilakukan dengan menggunakan dataset penyakit jantung koroner
yang memiliki karakteristik data berukuran kecil dan berdimensi rendah. Terdapat
dua metode feature selection pembanding, yaitu Principal Component Analysis
(PCA), dan validasi narasumber. Model klasifikasi dibangun dengan algoritma
random forest, dan kinerja model dievaluasi menggunakan metrik ROC-AUC dan
AU-PRC untuk mengukur performa dalam prediksi penyakit jantung koroner.
Dataset dibagi menjadi data latih dan data uji, di mana masing-masing model diuji
dalam beberapa skenario eksperimen untuk menilai konsistensi kinerja dari metode
SHAP untuk feature selection.
Hasil eksperimen yang dilakukan pada penelitian ini, terdapat peningkatan kinerja
model klasifikasi penyakit jantung koroner dengan menggunakan SHAP untuk
feature selection. model klasifikasi mengalami peningkatan ROC-AUC dari 0.91
menjadi 0.94 dan AU-PRC dari 0.81 menjadi 0.97 setelah menerapkan feature
selection dibandingkan dengan model hasil dari PCA dan model hasil feature dari
validasi dokter. Dari hasil eksperimen yang telah dilakukan membuktikan bahwa
SHAP meningkatkan keakuratan dan efisiensi model klasifikasi penyakit jantung
koroner dengan menggunakan random forest, membuatnya menjadi metode yang
sangat berguna untuk feature selection untuk karakteristik dataset yang berdimensi
kecil dalam konteks kasus penyakit jantung koroner.