<![CDATA[Deteksi awal gagal jantung sangat krusial untuk mengurangi angka sakit dan kematian. Metode machine learning, khususnya klasifikasi yang berbasis decision tree, menunjukkan potensi untuk mendukung keputusan medis dengan memisahkan pasien berisiko menggunakan variabel klinis yang biasa. Tujuan penelitian ini adalah untuk merancang dan menilai model Decision Tree dalam mengklasifikasikan pasien dengan gagal jantung menggunakan data klinis yang bersifat publik. Langkah-langkah dalam penelitian mencakup preprocessing (mengatasi nilai yang hilang, normalisasi, dan pemilihan fitur), pelatihan dengan stratified k-fold cross-validation, serta penilaian menggunakan metrik accuracy, precision, recall, F1-score, dan AUC. Hasil dari eksperimen menunjukkan bahwa Decision Tree yang dioptimalkan memberikan performa yang kompetitif serta keunggulan dalam interpretabilitas melalui aturan keputusan yang jelas. Sumbangan penelitian ini meliputi (1) pipeline yang dapat direproduksi untuk klasifikasi gagal jantung (heart failure), (2) kumpulan aturan yang mendukung skrining klinis heuristik, dan (3) perbandingan empiris terhadap metode machine learning lainnya. Temuan ini menunjukkan bahwa Decision Tree dapat menjadi alat skrining awal yang efektif, terutama di tempat dengan keterbatasan sumber daya.]]>
Copyrights © 2025
