Optimasi Model MLP Menggunakan Hyperparameter Tuning Randomsearchcv Dalam Prediksi Resiko Penyakit Jantung

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia sehingga deteksi dini sangat penting untuk mendukung upaya pencegahan. Penelitian ini bertujuan mengembangkan model prediksi penyakit jantung menggunakan algoritma Multilayer Perceptron (MLP) melalui tiga skenario, yaitu model dasar, MLP dengan Synthetic Minority Over-sampling Technique (SMOTE), dan MLP dengan SMOTE serta optimasi hiperparameter menggunakan Randomized Search Cross Validation. Dataset yang digunakan adalah heart_cleveland_upload.csv. Tahap prapemrosesan meliputi penanganan data hilang, transformasi variabel kategorikal, pembagian data, dan standardisasi menggunakan StandardScaler. Hasil penelitian menunjukkan bahwa model dasar menghasilkan akurasi 0,85 dan F1-score 0,830. Penerapan SMOTE meningkatkan F1-score menjadi 0,836 dengan akurasi tetap 0,85. Kinerja terbaik diperoleh pada model MLP dengan SMOTE dan optimasi hiperparameter, yang mencapai akurasi 0,90 dan F1-score 0,884. Konfigurasi optimal diperoleh melalui kombinasi lapisan tersembunyi, fungsi aktivasi ReLU, laju pembelajaran adaptif, dan jumlah iterasi pelatihan yang lebih tinggi. Hasil penelitian menunjukkan bahwa kombinasi SMOTE dan optimasi hiperparameter mampu meningkatkan performa MLP dalam prediksi penyakit jantung, sehingga berpotensi mendukung sistem deteksi dini yang lebih akurat.