Penggunaan Chi-Square Test dalam Peningkatan Kemampuan XGBoost pada Klasifikasi Penyakit Gagal Jantung

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh Uji Chi-Square sebagai metode seleksi fitur terhadap kinerja algoritma XGBoost da-lam klasifikasi gagal jantung. Gagal jantung merupakan kondisi medis serius yang menyebabkan 17,9 juta kematian pada tahun 2019 menurut WHO. Metodologi yang digunakan meliputi pengumpulan data dari Heart Failure Prediction Dataset yang berisi 918 record dengan 12 var-iabel, praproses data untuk menangani data yang tidak konsisten, trans-formasi data untuk mengubah variabel numerik menjadi variabel kate-goris, seleksi fitur menggunakan Uji Chi-Square, implementasi model XGBoost, dan evaluasi kinerja menggunakan metrik Accuracy, Preci-sion, Recall, F1-Score, Confusion Matrix, dan Cross Validation Score. Hasil penelitian menunjukkan bahwa model XGBoost tanpa seleksi fitur memiliki kinerja yang sedikit lebih baik dengan akurasi sebesar 88,59%. Sementara itu, model dengan seleksi fitur mengalami sedikit penurunan kinerja dengan akurasi sebesar 85,87%. Analisis menunjuk-kan bahwa fitur-fitur seperti ST_Slope_Up, Oldpeak, dan MaxHR merupakan faktor yang paling berpengaruh terhadap prediksi gagal jantung. Meskipun pemilihan fitur berhasil mengurangi kompleksitas model, penghapusan fitur tertentu menurunkan kinerja model secara keseluruhan. Temuan penting dari penelitian ini adalah perbedaan per-spektif dalam evaluasi fitur antara Uji Chi-Square dan Pentingnya Fitur XGBoost, yang menunjukkan pentingnya mempertimbangkan berbagai metode evaluasi fitur untuk pemahaman yang komprehensif. Penelitian ini berkontribusi pada pengembangan sistem diagnosis gagal jantung yang lebih efisien dan akurat, membantu tenaga medis dalam skrining awal pasien, dan memberikan wawasan baru tentang interaksi antara teknik pemilihan fitur dan algoritma berbasis ensemble dalam konteks data medis.