IMPLEMENTASI PARTICLE SWARM OPTIMIZATION UNTUK SELEKSI FITUR PADA KLASIFIKASI PENYAKIT ARTERI KORONER MENGGUNAKAN XGBOOST 

(Oleh:Miraturrahmah; Pembimbing: Triando Hamonangan Saragih, S.Kom.,M.Kom. dan Muliadi, S.Kom., M.Cs.; 2025; 64 halaman)

Penelitian ini bertujuan untuk mengklasifikasikan penyakit arteri koroner (Coronary Artery Disease/CAD) menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dilakukan dalam dua skema penelitian. Skema pertama klasifikasi XGBoost tanpa seleksi fitur PSO. Skema kedua klasifikasi XGBoost dengan seleksi fitur Particle Swarm Optimization (PSO). Dataset yang digunakan adalah Z-Alizadeh Sani dari UCI Machine Learning Repository yang terdiri dari 303 data pasien dengan 56 fitur. Data melalui tahap preprocessing berupa label encoding dan Min-Max normalization, serta dibagi menggunakan 10-fold cross-validation. Hasil dari penelitian menunjukkan bahwa skema pertama menghasilkan akurasi tertinggi sebesar 96,77% pada fold ke 1 dan nilai AUC mencapai 1 pada fold ke 4, berdasarkan hasil yang diperoleh menandakan kemampuan klasifikasi yang sangat tinggi. Pada skema kedua, setelah seleksi fitur menyisakan 43 fitur penting, akurasi tertinggi tercatat sebesar 93,55% dengan nilai AUC 0,97. Hasil ini menunjukkan bahwa baik penggunaan seluruh fitur maupun fitur terseleksi memberikan performa tinggi, meskipun tanpa seleksi fitur memberikan hasil yang lebih optimal. Penelitian ini menunjukkan efektivitas XGBoost dalam klasifikasi CAD dan membuka peluang pengembangan model klasifikasi medis yang lebih efisien dan akurat melalui teknik optimasi fitur.

Kata Kunci: Seleksi Fitur, Particle Swarm Optimization (PSO), Klasifikasi, XGBOOST, Arteri Koroner