ALTAF, NAUFAL (2026) OPTIMASI BERBASIS TREE-STRUCTURED PARZEN ESTIMATOR PADA MODEL STACKING ENSEMBLE LEARNING DENGAN NEURAL NETWORK META-LEARNER UNTUK MEMPREDIKSI PENYAKIT JANTUNG. S1 thesis, Universitas Mercu Buana Jakarta.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (JURNAL MAHASISWA)
Jurnal.pdf Restricted to Registered users only Download (2MB) |
Abstract
Cardiovascular Diseases (CVDs) are among the leading causes of death worldwide, accounting for approximately 17.9 million fatalities each year. This high mortality rate highlights the urgent need for accurate early detection to support prevention efforts and improve clinical decision-making. Various machine learning techniques have been applied to predict heart disease risk, and Stacking Ensemble Learning (SEL) has emerged as one of the most promising approaches. However, optimizing the complex architecture of SEL, particularly regarding hyperparameter configuration, remains a major challenge due to the necessity of exploring a vast hyperparameter space. This study proposes a novel framework called Stacking Ensemble Learning with Neural Network Meta-Learner (SEL-NNML), optimized using the Tree-Structured Parzen Estimator (TPE), to enhance heart disease prediction performance. The proposed approach leverages the capability of Neural Networks to model nonlinear relationships among base-learner predictions while employing TPE to efficiently navigate the hyperparameter space. A comprehensive evaluation was conducted using two public datasets, namely the Kaggle Heart Failure Prediction Dataset (KHFPD) and the UCI Cleveland Heart Disease Dataset (UCHDD), to validate the model across different data characteristics. The results show that the TPE-optimized SEL-NNML framework achieved an accuracy of 94.0 percent on KHFPD and 91.7 percent on UCHDD. These outcomes represent an improvement of approximately 2.9 percent compared to the conventional Stacking Ensemble method on KHFPD and outperform several conventional and state-ofthe-art classification models reported in previous studies, including XGBoost, CatBoost, and BayesNet. Overall, the findings demonstrate that the integration of SEL-NNML and TPE is an effective and reliable approach for improving heart disease prediction accuracy on tabular clinical data and holds strong potential as an essential component in medical decision-support systems. Keywords : Heart Disease Prediction, Stacking Ensemble learning, Neural Network Meta-Learner, Tree-Structured Parzen Estimator , Hyperparameter Optimization Penyakit kardiovaskular (Cardiovascular Diseases/CVDs) merupakan salah satu penyebab utama kematian di dunia dengan angka mencapai sekitar 17,9 juta kasus kematian setiap tahunnya, sehingga deteksi dini yang akurat sangat penting untuk mendukung upaya pencegahan dan pengambilan keputusan medis. Berbagai teknik machine learning telah digunakan untuk memprediksi risiko penyakit jantung, dan Stacking Ensemble Learning (SEL) menjadi salah satu pendekatan yang menunjukkan performa yang menjanjikan. Namun, proses optimasi arsitektur SEL yang kompleks, terutama terkait konfigurasi hyperparameter masih menjadi tantangan karena memerlukan eksplorasi hyperparameter space yang luas. Penelitian ini mengusulkan kerangka kerja Stacking Ensemble Learning with Neural Network Meta-Learner (SEL-NNML) yang dioptimalkan menggunakan algoritma Tree-Structured Parzen Estimator (TPE) untuk meningkatkan kinerja prediksi penyakit jantung. Pendekatan ini memanfaatkan kemampuan jaringan saraf dalam memodelkan hubungan non linier antar base-learner sekaligus menggunakan TPE untuk menelusuri hyperparameter space secara efisien. Evaluasi dilakukan secara komprehensif menggunakan dua dataset publik, yaitu Kaggle Heart Failure Prediction Dataset (KHFPD) dan UCI Cleveland Heart Disease Dataset (UCHDD) agar dapat memvalidasi pada karakteristik data yang berbeda. Hasil penelitian menunjukkan bahwa SEL-NNML yang dioptimalkan dengan TPE mampu mencapai akurasi sebesar 94,0 persen pada KHFPD dan 91,7 persen pada UCHDD. Pencapaian tersebut mewakili peningkatan sekitar 2,9 persen dibandingkan Stacking Ensemble konvensional pada KHFPD serta melampaui performa beberapa model klasifikasi konvensional dan model klasifikasi unggulan dari penelitian sebelumnya seperti XGBoost, CatBoost, dan BayesNet. Secara keseluruhan, hasil ini menegaskan bahwa integrasi SEL-NNML dan TPE merupakan pendekatan yang efisien dan dapat diandalkan untuk meningkatkan akurasi prediksi penyakit jantung berbasis data klinis tabular serta memiliki potensi sebagai komponen penting dalam sistem pendukung keputusan medis. Kata Kunci : Prediksi Penyakit Jantung, Stacking Ensemble learning, Neural Network Meta-Learner, Tree-Structured Parzen Estimator, Optimasi Hyperparameter
Actions (login required)
 |
View Item |
