Random Forest Dengan Random Search Terhadap Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung

Abstract

Prediksi keberlangsungan hidup pasien gagal jantung telah dilakukan pada penelitian untuk mencari tahu tentang kinerja, akurasi, presisi dan performa dari model prediksi ataupun metode yang digunakan dalam penelitian, dengan menggunakan dataset heart failure clinical records. Namun dataset ini memiliki permasalahan yaitu bersifat tidak seimbang yang dapat menurunkan kinerja model prediksi karena cenderung menghasilkan prediksi kelas mayoritas. Pada penelitian ini menggunakan pendekatan level algoritma untuk mengatasi ketidakseimbangan kelas yaitu teknik bagging dengan metode Random Forest lalu digabungkan dengan metode Hyper-Parameter Tuning agar kinerja yang dihasilkan menjadi lebih baik. Selanjutnya model dilatih dengan dataset dan dibandingkan dengan metode lain, hasilnya menunjukkan bahwa Random Forest dengan Random Search Hyper Parameter-Tuning mencapai nilai AUC sebesar 0,906 dan untuk model Random Forest tanpa Random Search memperoleh nilai AUC sebesar 0,866.

Prediction of the survival of heart failure patients has been carried out in research to find out about the performance, accuracy, precision and performance of the prediction model or method used in the study, using the heart failure clinical records dataset. However, this dataset has a problem, namely being unbalanced which can reduce the performance of the prediction model because it tends to produce predictions for the majority class. This study uses an algorithm level approach to overcome class imbalance, namely the bagging technique with the Random Forest method and then combined with the Hyper-Parameter Tuning method so that the resulting performance is better. Then the model was trained with the dataset and compared with other methods, the results showed that the Random Forest with Random Search Hyper Parameter-Tuning achieved an AUC value of 0,906 and for the Random Forest model without Random Search the AUC value of 0,866 was obtained.