<![CDATA[Penyakit jantung masih merupakan ancaman kesehatan global yang serius, bertanggung jawab atas kematian lebih dari 17 juta orang di dunia pada tahun 2015. Diagnosis tradisional rentan terhadap variasi subjektif dan memakan waktu. Untuk meningkatkan efisiensi dan akurasi, teknik data mining dan machine learning telah muncul sebagai alat yang menjanjikan. Penelitian ini mengusulkan pengembangan model untuk memprediksi penyakit jantung menggunakan algoritma Decision Tree C4.5, yang dipilih karena kekuatannya sebagai metode klasifikasi dan kemampuannya menghasilkan model yang intuitif serta mudah diinterpretasikan. Data yang digunakan adalah 303 sampel catatan medis pasien yang diambil dari repositori publik Kaggle.com. Prosesnya meliputi pra-pemrosesan data untuk eliminasi nilai kosong dan transformasi format, diikuti dengan pembagian data menggunakan teknik Hold-Out 70%:30% (212 sampel pelatihan, 91 sampel pengujian). Implementasi model dan evaluasi kinerja dilakukan menggunakan aplikasi RapidMiner. Hasil menunjukkan bahwa model C4.5 mencapai akurasi keseluruhan sebesar 70.33% pada set pengujian. Secara spesifik, model menunjukkan kekuatan dalam mendeteksi kasus positif (Sakit) dengan nilai Recall untuk kelas 'Iya' sebesar 84.00%, yang sangat penting untuk meminimalkan False Negative dalam konteks medis. Atribut Jenis Nyeri Dada teridentifikasi sebagai faktor klinis paling dominan (node akar) dalam penentuan kemungkinan penyakit jantung. Model ini valid sebagai sistem pendukung keputusan awal, khususnya dalam mengidentifikasi pasien berisiko tinggi. Kata Kunci: Prediksi Penyakit Jantung , Decision Tree C4.5 , Klasifikasi , Data Mining , RapidMiner Heart disease remains a serious global health threat, was accountable for the demise of over 17 million people worldwide in 2015. Traditional diagnosis is prone to subjective variations and is time-consuming. To improve efficiency and accuracy, data mining and machine learning techniques have emerged as promising tools. This study proposes the development of a model for predicting heart disease using the Decision Tree C4.5 algorithm, chosen for its robustness as a classification method and its ability to produce intuitive and easily interpretable models. The data used are 303 patient medical record samples taken from the public repository Kaggle.com. The process includes data preprocessing for null value elimination and format transformation, followed by data splitting using the 70%:30% Hold-Out technique (212 training samples, 91 testing samples). Model implementation and performance evaluation were performed using the RapidMiner application. The results show that the C4.5 model achieves an overall accuracy of 70.33% on the test set. Specifically, the model demonstrated robustness in detecting positive cases (Sick) with a Recall value for the 'Yes' class of 84.00%, which is crucial for minimizing False Negatives in a medical context. The Chest Pain Type attribute was identified as the most dominant clinical factor (root node) in determining the likelihood of heart disease. This model is valid as an early decision support system, particularly in identifying high-risk patients. Keyword: Heart Disease Prediction, Decision Tree C4.5, Classification, Data Mining, RapidMiner]]>
