<![CDATA[Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, termasuk di Indonesia. Deteksi dini terhadap risiko penyakit jantung menjadi krusial dalam menurunkan angka kematian dan meningkatkan kualitas hidup pasien. Penelitian ini bertujuan untuk mengevaluasi kinerja model Long Short-Term Memory (LSTM), sebagai bagian dari metode deep learning, dalam memprediksi risiko penyakit jantung dengan menggunakan data simulasi. Data terdiri dari 70.000 entri dengan 16 variabel yang mencerminkan kondisi klinis dan gaya hidup pasien. Proses penelitian meliputi tahapan preprocessing, pelatihan model LSTM, serta evaluasi menggunakan metrik seperti akurasi, presisi, recall, F1-score, dan AUC-ROC. Hasil evaluasi menunjukkan bahwa model LSTM mencapai akurasi sebesar 0,8034, presisi 0,8055, recall 0,8023, F1-score 0,8039, dan AUC-ROC 0,8036. Meskipun performa model cukup menjanjikan, masih terdapat kelemahan berupa jumlah false negative yang signifikan. Hal ini mengindikasikan perlunya pengembangan lebih lanjut, seperti penyesuaian ambang prediksi, teknik penyeimbangan kelas, dan eksplorasi model ensemble. Penelitian ini memberikan kontribusi konkret dalam penerapan model LSTM untuk sistem prediksi risiko penyakit jantung, dan diharapkan dapat memberikan kontribusi pada pengembangan sistem prediksi penyakit jantung berbasis kecerdasan buatan. Temuan ini juga berimplikasi pada penguatan pendekatan ilmiah dalam bidang ilmu kesehatan digital dan potensi penerapannya dalam praktik klinis secara lebih luas.]]>
