Optimasi Random Forest menggunakan Multi Objective Particle Swarm Optimization (MOPSO) dan Firefly Algoritm (FA) untuk Deteksi Penyakit Kardiovaskular

Saadah, Helliyatus (2024) Optimasi Random Forest menggunakan Multi Objective Particle Swarm Optimization (MOPSO) dan Firefly Algoritm (FA) untuk Deteksi Penyakit Kardiovaskular. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6002221002-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (2MB) | Request a copy

Abstract

Salah satu penyebab utama kematian secara global yaitu penyakit kardiovaskular atau Cardiovascular Disease (CVD). CVD merupakan sekelompok kelainan jantung dan pembuluh darah. Penyakit CVD seperti jantung dan stroke di Indonesia setiap tahunnya mengalami peningkatan dan menempati peringkat tertinggi penyebab kematian terutama pada usia-usia produktif. CVD dianggap sebagai penyakit yang paling banyak memakan biaya bahkan melebihi penyakit alzheimer dan diabetes. Terdapat pasien yang memiliki gejala atau bahkan tanpa gejala sama sekali yang menjadikan tantangan bagi dokter untuk pengambilan keputusan sehingga fase diagnosis kurang akurat untuk pendeteksian CVD. Machine learning (ML) dapat digunakan untuk membantu proses deteksi dini gejala CVD.Tesis ini mengusulkan penggunaan salah satu metode klasifikasi dalam ML yaitu random forest. Random forest mengalami kesulitan dalam menentukan hyperparameter seperti jumlah pohon keputusan, maksimum fitur dan sampel
minimum split. Untuk mengatasi permasalahan tersebut dan meningkatkan kinerja dari random forest dalam tesis dilakukan optimasi menggunakan multi objective particle swarm optimization (MOPSO) dan firefly algoritm (FA). Hasil yang didapatkan dari tesis ini berupa performansi yang lebih
baik untuk deteksi CVD yaitu akurasi meningkat 3.91 % dari sebelum di optimasi, dan diperoleh hyperparameter terbaik RF adalah n_estimator yaitu 67, max_features yaitu 4 dan min_sample_split yaitu 28.
========================================================================================================================
One of the leading causes of death globally is cardiovascular disease (CVD). CVD is a group of disorders of the heart and blood vessels. CVD diseases such as heart disease and stroke in Indonesia have increased every year and rank as the highest cause of death, especially in productive ages. CVD is considered the most costly disease, even more than Alzheimer’s disease and diabetes. Some patients have symptoms or even no symptoms at all, which makes it challenging for doctors to make decisions so that the diagnosis phase is less accurate for CVD detection. Machine learning (ML) can be used to assist in the early detection of CVD symptoms. This thesis proposes using one of the classification methods in ML, namely random forest. Random forest has difficulty determining hyperparameters such as the number of decision trees, maximum features, and minimum sample split. To overcome these problems and improve the performance of random forest in the thesis, optimization is carried out using multi-objective particle swarm optimization (MOPSO) and firefly algorithm (FA). The results obtained from this thesis are better performance for CVD detection. Namely, accuracy increased by 3,91% from before optimization, and the best RF hyperparameters obtained are n_estimator, 67, max_features, 4, and min_sample_split, 28.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	kardiovaskular, random forest, optimasi, MOPSO, FA cardiovascular, random forest, optimization, MOPSO, FA
Subjects:	Q Science > QA Mathematics > QA76.9.D33 Data compression (Computer science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Helliyatus Saadah
Date Deposited:	07 Aug 2024 02:33
Last Modified:	07 Aug 2024 02:33
URI:	http://repository.its.ac.id/id/eprint/111745

Actions (login required)

View Item