<![CDATA[Penyakit jantung koroner (PJK) merupakan salah satu penyebab utama kematian di Indonesia, sehingga deteksi dini menjadi aspek krusial dalam upaya mencegah komplikasi dan meningkatkan efektivitas intervensi medis. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua algoritma machine learning, yaitu K-Nearest Neighbors (KNN) dan Random Forest, dalam klasifikasi diagnosis penyakit jantung koroner berdasarkan data rekam medis pasien RSUD Dr. Soeselo Slawi. Metodologi penelitian meliputi tahapan preprocessing data, transformasi fitur kategorikal, normalisasi, pembagian data dengan rasio 80:20, serta pelatihan dan evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa lebih unggul dengan akurasi sebesar 84.00%, precision 84.02%, recall 84.00%, dan F1-score 83.97%. Sementara K-Nearest Neighbors (KNN) memperoleh akurasi 82.00% dengan nilai evaluasi yang sedikit lebih rendah. Pengujian tambahan menggunakan K-Fold Cross Validation menunjukkan bahwa Random Forest lebih stabil terhadap variasi data, dengan akurasi tertinggi 84.80% pada fold ke-4. Penelitian ini juga melakukan pembagian data dengan rasio (60:40, 70:30, dan 90:10). Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai algoritma terbaik untuk implementasi sistem pendukung keputusan medis dalam diagnosis penyakit jantung koroner. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi kesehatan berbasis kecerdasan buatan yang lebih akurat, efisien, dan dapat diandalkan di lingkungan rumah sakit.]]>
Copyrights © 2025
