Title
APLIKASI KLASIFIKASI DAN PREDIKSI MULTIKELAS ANGINA PEKTORIS BERBASIS MACHINE LEARNING
Category
Software & Algorithm
Description
Penyakit jantung koroner merupakan penyebab utama kematian di dunia dimana 17.9 juta orang meninggal setiap tahunnya. Penelitian ini bertujuan untuk membuat aplikasi berbasis machine learning yang dapat melakukan klasifikasi multikelas pada salah satu gejala penyakit jantung koroner, yaitu angina pektoris. Penelitian ini akan mengukur performa model untuk mendapatkan model dengan performa terbaik dan melakukan interpretasi berbasis SHAP framework. Penelitian ini menggunakan data electronic medical record pasien Rumah Sakit Pusat Jantung Nasional Harapan Kita dengan atribut jenis kelamin, usia, eritrosit, hematokrit, hemoglobin eritrosit rata-rata, konsentrasi hemoglobin eritrosit rata-rata, leukosit, dan trombosit. Data tersebut kemudian dieksplorasi dan diproses lebih lanjut. Data yang sudah melalui tahap preprocessing kemudian digunakan untuk membuat 48 model. Model dibuat menggunakan algoritma Random Forest, XGBoost, dan AdaBoost; metode pembagian data hold-out dan k-fold cross validation; penggunaan hyperparameter tuning; dan penerapan teknik class balancing SMOTE. Model dievaluasi berdasarkan nilai accuracy, precision, recall, F1 score, dan ROC AUC score. SHAP framework digunakan untuk melakukan interpretasi mengenai signifikansi pengaruh atribut terhadap hasil prediksi. Hasil percobaan menunjukkan model Random Forest dengan hyperparameter tuning, k-fold cross validation, dan tanpa teknik class balancing menjadi model dengan performa terbaik, dimana nilai accuracy-nya sebesar 0.4750, precision sebesar 0.4732, recall sebesar 0.4750, F1 score sebesar 0.4563, dan ROC AUC score sebesar 0.6294. Hasil global interpretability SHAP terhadap model terbaik menunjukkan atribut hemoglobin memiliki pengaruh terbesar dalam melakukan prediksi angina pektoris. Local interpretability SHAP menunjukkan atribut leukosit memiliki pengaruh terbesar terhadap hasil prediksi pada salah satu percobaan. Model Random Forest dengan performa terbaik kemudian diimplementasikan pada aplikasi web.
Contact Us
islab.binus@binus.ac.id