Sistem Prediksi Risiko Penyakit Jantung Berbasis Machine Learning dan Framework Streamlit

Hidayana, Reymond Syahputra
Regina, Fransiska
Rendi, Rendi
Annisa, Riski

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol 8, No 6 (2025): Desember 2025

Abstrak - Penelitian ini menggunakan algoritma pembelajaran mesin untuk membangun sistem yang dapat memprediksi risiko penyakit jantung. Dalam dataset Cleveland Heart Disease, tiga algoritma Logistic Regression, XGBoost, dan Naive Bayes digunakan dengan pembagian data uji dan latih sebesar 80:20. Pembersihan data, pemisahan fitur dan target, pelatihan model, dan evaluasi menggunakan metrik akurasi, presisi, recall, f1-score, dan AUC dilakukan. Hasil pengujian menunjukkan bahwa Logistic Regression adalah yang terbaik dengan skor akurasi, presisi, recall, dan f1-score sebesar 0,90, dan AUC sebesar 0,94. Selanjutnya, model terbaik diterapkan pada sistem prediksi berbasis web yang menggunakan framework Streamlit. Selain data pengguna, sistem dapat menampilkan risiko penyakit jantung secara informatif. Berdasarkan hasil penelitian, model Logistic Regression dapat digunakan sebagai alat bantu awal dalam mendeteksi risiko penyakit jantung secara efektif.Kata kunci : Prediksi Penyakit Jantung; Machine Learning; Logistic Regression; Klasifikasi; Streamlit; Abstract - This study employs machine learning algorithms to develop a system capable of predicting the risk of heart disease. Using the Cleveland Heart Disease dataset, three algorithms—Logistic Regression, XGBoost, and Naive Bayes—were applied with an 80:20 train-test split. Data cleaning, feature–target separation, model training, and evaluation using accuracy, precision, recall, f1-score, and AUC metrics were conducted. The results indicate that Logistic Regression performs the best, achieving accuracy, precision, recall, and f1-score values of 0.90, and an AUC of 0.94. The best-performing model was then deployed in a web-based prediction system using the Streamlit framework. In addition to user input, the system provides an informative display of heart disease risk. Based on the findings, the Logistic Regression model can serve as an effective preliminary tool for detecting heart disease risk.Keywords: Heart Disease Prediction; Machine Learning; Logistic Regression; Classification; Streamlit;