Nama: Moh. Aflah Azzaky
Username dicoding: aflahazzaky
| Deskripsi | |
|---|---|
| Dataset | Kaggle Dataset - Heart Failure Prediction Dataset |
| Masalah | Penyakit kardiovaskular (CVD) merupakan penyebab kematian nomor 1 secara global, merenggut sekitar 17,9 juta jiwa setiap tahunnya, atau menyumbang 31% dari seluruh kematian di seluruh dunia. Empat dari kematian 5CVD disebabkan oleh serangan jantung dan stroke, dan sepertiga dari kematian ini terjadi sebelum waktunya pada orang di bawah usia 70 tahun. Gagal jantung adalah kejadian umum yang disebabkan oleh penyakit kardiovaskular dan kumpulan data ini berisi 11 fitur yang dapat digunakan untuk memprediksi kemungkinan penyakit jantung. Orang dengan penyakit kardiovaskular atau yang memiliki risiko kardiovaskular tinggi (karena adanya satu atau lebih faktor risiko seperti hipertensi, diabetes, hiperlipidemia, atau penyakit yang sudah ada) memerlukan deteksi dan manajemen dini sehingga model pembelajaran mesin dapat sangat membantu. |
| Solusi machine learning | Pengembangan model prediksi risiko gagal jantung berdasarkan faktor risiko utama, seperti usia, tekanan darah istirahat, kadar kolesterol, detak jantung maksimum, dan puncak usia. Tujuan pengembangan ini adalah untuk mendukung identifikasi individu dengan risiko tinggi secara lebih akurat, sehingga memungkinkan dilakukannya intervensi medis dini yang lebih efektif. |
| Metode pengolahan | Proses pengolahan data dilakukan dengan menerapkan metode one-hot encoding untuk fitur yang bersifat kategorikal, serta normalisasi pada fitur numerik. Pendekatan ini bertujuan untuk memastikan bahwa data yang digunakan lebih konsisten dan kompatibel dengan algoritma machine learning. |
| Arsitektur model | Model yang dirancang menggunakan arsitektur lapisan dense layer dan dropout layer untuk meningkatkan efisiensi pembelajaran dan mencegah terjadinya overfitting. Pendekatan ini memastikan stabilitas model sekaligus mendukung performa prediksi yang optimal. |
| Metrik evaluasi | Evaluasi performa model dilakukan menggunakan sejumlah metrik, yaitu AUC, Precision, Recall, Binary Accuracy, True Positive, False Positive, True Negative, dan False Negative. Metrik-metrik ini dipilih untuk memberikan penilaian yang komprehensif terhadap efektivitas klasifikasi model. |
| Performa model | Model yang dikembangkan menunjukkan performa yang cukup baik, dengan menghasilkan binary accuracy sebesar 87% pada data pelatihan dan 85% pada data validasi. Hasil ini mencerminkan kemampuan model yang sudah cukup baik dalam melakukan klasifikasi, namun masih dapat ditingkatkan lebih lanjut melalui optimasi dan pengayaan data. |
| Opsi deployment | Proyek machine learning ini diimplementasikan melalui platform Railway, sebuah layanan Platform as a Service (PaaS) yang memungkinkan proses deployment secara mudah dan efisien. Railway juga menawarkan opsi layanan gratis yang memadai untuk pengembangan proyek tahap awal. |
| Web app | Sistem ini dapat diakses melalui aplikasi berbasis web pada tautan berikut: Heart Failure Model Metadata. Platform ini dirancang untuk mendukung kemudahan interaksi pengguna dengan model prediktif. |
| Monitoring | Proses pemantauan sistem dilakukan menggunakan layanan open-source Prometheus. Fitur monitoring ini memungkinkan pengawasan terhadap berbagai parameter penting, seperti jumlah permintaan (requests) yang diterima oleh sistem, status dari setiap permintaan, serta analisis tren data secara real-time untuk memastikan kestabilan layanan. |