<![CDATA[Prediksi kelangsungan hidup pasien gagal jantung merupakan aspek penting dalam mendukung pengambilan keputusan medis secara dini dan tepat. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi kelangsungan hidup pasien gagal jantung dengan menerapkan metode Stacking Ensemble Learning yang menggabungkan tiga base learners, yaitu Decision Tree, Naive Bayes, dan K-Nearest Neighbor, serta menggunakan Support Vector Machine sebagai meta-learner. Dataset yang digunakan adalah Heart Failure Clinical Records dari UCI Machine Learning Repository yang telah melalui proses pra-pemrosesan berupa standardisasi numerik dan pembagian data menggunakan stratified sampling dengan rasio 80:20. Eksperimen dilakukan menggunakan validasi silang (5-fold cross-validation) dan tuning hyperparameter pada meta-learner menggunakan GridSearchCV untuk menemukan kombinasi terbaik dari parameter C dan gamma. Hasil evaluasi menunjukkan bahwa model stacking mampu mencapai akurasi sebesar 98,7% dan F1-score 0,9791, mengungguli semua model tunggal. Keberhasilan ini menunjukkan bahwa strategi penggabungan beberapa model ringan mampu meningkatkan kinerja sistem prediktif secara signifikan, tanpa menambah kompleksitas yang berlebihan. Oleh karena itu, pendekatan ini sangat potensial untuk diterapkan pada sistem pendukung keputusan klinis berbasis data, khususnya dalam konteks prediksi penyakit kronis.]]>
Copyrights © 2025
