Abstrak

Penyakit jantung, yang tergolong sebagai penyakit tidak menular, merupakan penyebab utama kematian setiap tahunnya. Keterlibatan para ahli dinilai sangat diperlukan dalam proses diagnosis penyakit jantung, mengingat sifatnya yang kompleks dan potensi keparahannya. Algoritma Pembelajaran Mesin telah muncul sebagai alat yang ampuh yang mampu memprediksi dan mendeteksi penyakit jantung secara efektif, sehingga mengurangi tantangan yang terkait dengan diagnosisnya. Contoh penting dari algoritme tersebut termasuk Algoritme Mesin Pembelajaran Ekstrim dan Peningkatan Adaptif, yang keduanya mewakili teknik Pembelajaran Mesin yang diadaptasi untuk tujuan klasifikasi. Penelitian ini mencoba memperkenalkan pendekatan baru yang mengandalkan penggunaan satu parameter. Melalui optimalisasi parameter algoritma yang cermat, terdapat peningkatan yang nyata dalam akurasi prediksi machine learning, sebuah fenomena yang menggarisbawahi pentingnya penyetelan parameter dalam domain ini. Dalam penelitian ini, dataset Gagal Jantung berfungsi sebagai titik fokus, dengan tujuan untuk menunjukkan tingkat akurasi optimal yang dapat dicapai melalui penggunaan algoritme Pembelajaran Mesin. Hasil dari penelitian ini menunjukkan akurasi rata-rata 0,83 untuk Algoritma Extreme Learning Machine dan 0,87 untuk Adaptive Boosting, standar deviasi untuk kedua metode tersebut adalah "0,83 ± 0,02" untuk Algoritma Extreme Learning Machine dan "0,87 ± 0,03" untuk Adaptive Boosting sehingga menyoroti keampuhan algoritma ini dalam konteks prediksi penyakit jantung.

Abstract

Heart disease, which is classified as a non-communicable disease, is the main cause of death every year. The involvement of experts is considered very necessary in the process of diagnosing heart disease, considering its complex nature and potential severity. Machine Learning Algorithms have emerged as powerful tools capable of effectively predicting and detecting heart diseases, thereby reducing the challenges associated with their diagnosis. Notable examples of such algorithms include Extreme Learning Machine Algorithms and Adaptive Boosting, both of which represent Machine Learning techniques adapted for classification purposes. This research tries to introduce a new approach that relies on the use of one parameter. Through careful optimization of algorithm parameters, there is a marked improvement in the accuracy of machine learning predictions, a phenomenon that underscores the importance of parameter tuning in this domain. In this research, the Heart Failure dataset serves as the focal point, with the aim of demonstrating the optimal level of accuracy that can be achieved through the use of Machine Learning algorithms. The results of this study show an average accuracy of 0.83 for the Extreme Learning Machine Algorithm and 0.87 for Adaptive Boosting, the standard deviation for both methods is “0.83±0.02” for Extreme Machine Learning Algorithm and “0.87±0.03” for Adaptive Boosting thus highlighting the efficacy of these algorithms in the context of heart disease prediction. In particular, entering the Learning Rate parameter into Adaboost provides better results when compared with the previous algorithm. Our research findings underline the supremacy of Extreme Learning Machine Algorithms and Adaptive Improvement, especially when combined with the introduction of a single parameter, it can be seen that the addition of parameters results in increased accuracy performance when compared to previous research using standard methods alone.