Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Deteksi Dini Risiko Penyakit Jantung Menggunakan Algoritma XGBoost Berbasis Machine Learning
Deteksi Dini Risiko Penyakit Jantung Menggunakan Algoritma XGBoost Berbasis Machine Learning
Machine Learning Tingkat: Intermediate Versi 1.0.0 33 Dilihat
5.0 (0 ulasan)

Deteksi Dini Risiko Penyakit Jantung Menggunakan Algoritma XGBoost Berbasis Machine Learning

Teknologi: Python Flask HTML CSS JavaScript Tailwind CSS XGBoost Scikit-Learn Pandas NumPy SciPy
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Deteksi Dini Risiko Penyakit Jantung Menggunakan Algoritma XGBoost Berbasis Machine Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Deteksi Dini Risiko Penyakit Jantung Menggunakan Algoritma XGBoost Berbasis Machine Learning via TikTok.

Overview & Cara Kerja

KardioAI merupakan platform skrining kardiovaskular presisi berbasis kecerdasan buatan (Artificial Intelligence) dan Extreme Gradient Boosting (XGBoost) yang dilatih pada Dataset Prediksi Penyakit Jantung 2026 berskala 100.000 rekam medis pasien. Dataset ini merupakan pembaruan modern (modern upgrade) berskala 330 kali lebih besar terhadap dataset klasik UCI Cleveland 1988, di mana seluruh distribusi prevalensi dan korelasi antar-fitur telah dikalibrasi secara numerik mengikuti literatur epidemiologi klinis terkini dari American Heart Association (AHA 2023), Centers for Disease Control and Prevention (CDC 2023), dan Framingham Heart Study.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

5 Tahap Pipeline
1 DATA INGESTION & CALIBRATION

100,000 Records Ingestion & Epidemiological Calibration

Ingesti 100.000 data rekam medis pasien, audit integritas data (zero missing values), dan verifikasi keselarasan prevalensi penyakit terhadap tolok ukur literatur kesehatan global CDC dan AHA 2023.

100,000 Records & Benchmark 2026
2 CLINICAL FEATURE ENGINEERING

Hemodynamic & Metabolic Risk Derivation (Tanaka, Pulse Pressure, HRV)

Rekayasa 5 fitur risiko kardiovaskular berbasis fisiologi: Formula Tanaka usia denyut maksimal, rasio cadangan detak jantung, tekanan nadi, indeks kardiometabolik komorbiditas, dan rasio HRV istirahat.

5 Clinical Features Engineered & 30 Total Inputs
3 MULTI-MODEL BENCHMARK

8 Machine Learning Classifiers Comparative Evaluation (Holdout 80:20)

Pelatihan dan evaluasi komparatif 8 algoritma klasifikasi (XGBoost, SVM, Logistic Regression, Gradient Boosting, Random Forest, Naive Bayes, KNN, Decision Tree) pada 20.000 data uji independen.

8 Models Evaluated & XGBoost Top Pick
4 HYPERPARAMETER TUNING & FAIRNESS

XGBoost Fine-Tuning & Demographic Parity Verification

Optimasi hyperparameter XGBoost (n_estimators=300, max_depth=6, lr=0.04) menghasilkan ROC-AUC 0.8515 dan PR-AUC 0.8336, dilanjutkan audit keadilan demografis lintas jenis kelamin, kelompok usia, dan pendapatan.

ROC-AUC 0.8515 & Subgroup Fairness Validated
5 PRODUCTION DEPLOYMENT & UI

KardioAI Web Diagnostic Studio & Clinical RESTful API

Deployment pipeline model Scikit-Learn ke server Flask 3.0 dan antarmuka responsif Tailwind CSS bertema Rose-Crimson Medical, dilengkapi formulir skrining interaktif, kartu risiko 4-level, dan endpoint API `/api/predict`.

Flask 3.0, Tailwind CSS & RESTful API
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

11 Berkas Proyek 4 Folder Utama Paket ZIP 4.63 MB
heart_disease_prediction_2026.csv 11.83 MB
Dataset Pratinjau
README.md 13.8 KB
markdown Pratinjau
best_heart_disease_model.joblib 1.28 MB
AI Model Pratinjau
model_metadata.json 1.52 KB
hero_cardio.jpg 672.09 KB
index.html 107.15 KB
app.py 10.62 KB
Heart_Disease_Prediction_2026_Analysis.ipynb 1.67 MB
Notebook Pratinjau
README.md 2.49 KB
markdown Pratinjau
requirements.txt 784 B

deteksi-risiko-penyakit-jantung-xgboost.zip

Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.

Beli untuk Unduh ZIP

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11 (64-bit), macOS (Intel/Apple Silicon), Linux (Ubuntu 20.04 LTS+)

Cross-platform compatible

Runtime & Bahasa
Python 3.10 atau Python 3.11 (Diverifikasi optimal pada Python 3.11.x x64)

Lingkungan kerja teruji

Memori (RAM)
Min. 4 GB (Rekomendasi 8 GB untuk pemrosesan lancar dataset 100K baris dan eksekusi notebook)

Optimal untuk running service

Penyimpanan
Min. 1.0 GB ruang kosong untuk dependensi Python, dataset CSV (12.4 MB), dan model pipeline joblib (1.28 MB)

Untuk berkas & dependensi

Database & Layanan
Tidak memerlukan database SQL eksternal (Dataset berbasis CSV & pipeline model .joblib mandiri)
Hardware / Catatan Khusus
Model pipeline telah dilatih dan tersimpan dalam models/best_heart_disease_model.joblib sehingga aplikasi web dapat langsung dijalankan tanpa perlu proses pelatihan ulang. Latensi inferensi per pasien ultra-cepat (<1 milidetik di CPU biasa).

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 33 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, HTML, CSS
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.