Perbandingan Algoritma CatBoost dan XGBoost dalam Klasifikasi Penyakit Jantung

Abstract

Penyakit jantung merupakan masalah kesehatan yang serius dan dapat berdampak negatif pada kualitas hidup individu. Dalam beberapa tahun terakhir, penggunaan teknik pembelajaran mesin dalam mendiagnosis penyakit jantung telah menjadi topik penelitian yang penting. Pada penelitian ini melakukan perbandingan kinerja algoritma CatBoost dan XGBoost, dalam tugas klasifikasi penyakit jantung. Tahapan perbandingan algoritma diawali dengan data acquisition, exploratory data analysis, future engineering, modelling, dan model evaluation. Hasilnya membuktikan bahwa algoritma CatBoost dapat mengungguli algoritma XGBoost dalam mengklasifikasi kasus orang dengan penyakit jantung dengan data set yang digunakan. Untuk dataset yang digunakan diperoleh dari UCI Machine Learning Repository dengan 12 feature dan 918 jumlah data. Dari hasil analisis data, feature OldPeak, MaxHR, Age, dan FastingBS merupakan faktor utama dalam memprediksi orang dengan penyakit jantung. Sehingga berdasarkan kinerja algoritma CatBoost dan XGBoost dengan data ini, kami merekomendasikan algoritma CatBoost untuk memprediksi orang dengan penyakit jantung dengan lebih baik