Penerapan klasifikasi XGBoost pada penyakit jantung dengan optimasi hyperparameter menggunakan random search

Penyakit jantung merupakan salah satu bagian dari kelompok penyakit kardiovaskular yang disebabkan oleh gangguan pada fungsi dan struktur jantung. Prevalensi kasus mencapai 254.3 juta jiwa pada tahun 2021 dan diperkirakan terus meningkat hingga mencapai 20 juta jiwa pada tahun 2050. Oleh karena itu, diagnosis dini menjadi penting untuk mencegah komplikasi lebih lanjut. Penelitian ini bertujuan untuk mengklasifikasikan penyakit jantung menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan optimasi hyperparameter menggunakan metode Random Search. Data penelitian diambil dari Kaggle, mencakup fitur klinis dan demografis pasien. Evaluasi model dilakukan menggunakan metode K-Fold Cross Validation dengan (k = 10) untuk memperoleh estimasi performa yang lebih stabil serta mengurangi bias akibat pembagian data. XGBoost dipilih karena kemampuannya yang baik dalam menangani data yang kompleks serta mengurangi risiko overfitting. Hasil penelitian menunjukkan bahwa optimasi hyperparameter menggunakan metode Random Search mampu meningkatkan performa model dengan parameter terbaik yaitu num estimators sebesar 103, max depth sebesar 4, learning rate sebesar 0,063, gamma sebesar 1, subsample sebesar 0,808, dan colsample bytree sebesar 0,752. Model yang dihasilkan memperoleh nilai rata-rata akurasi sebesar 98%, sensitivitas sebesar 98,79%, dan spesifisitas sebesar 96,83%. Hasil tersebut menunjukkan bahwa optimasi hyperparameter mampu meningkatkan performa model klasifikasi penyakit jantung.