<![CDATA[Coronary Artery Disease (CAD) merupakan kondisi ketika arteri coroner mengalami penyempitan atau penyumbatan yang dapat menjadi pemicu penyakit kardiovaskular dan berujung pada kematian. Oleh karena itu, perlu adanya penanganan yang tepat oleh tenaga medis yang diawali dengan proses diagnosis CAD untuk menilai kesehatan dan kondisi arteri. Diagnosis CAD dapat dilakukan berdasarkan klasifikasi menggunakan metode Recurrent Neural Network (RNN). RNN memiliki kemampuan untuk mempertahankan dan menggunakan informasi sebelumnya dalam pengambilan keputusan. Pada penelitian ini terdapat 30 fitur sehingga dilakukan reduksi fitur untuk meningkatkan kinerja model RNN. Tujuan dari penelitian ini untuk memperoleh model optimal dan mengetahui kefefektifan metode PCA dan ReliefF untuk reduksi fitur pada sistem klasifikasi. Uji coba dilakukan dengan uji coba pembagian data, learning rate, dan node hidden. Model optimum diperoleh pada k-fold 10, node hidden 200, dan learning rate 0.01 pada penggunaan metode ReliefF dengan fitur yang relevan sebanyak 26 diperoleh akurasi 88.42%, sensitivitas 90.82%, dan spesifisitas 86.09%.]]>
Copyrights © 2025
