<![CDATA[Penyakit serangan jantung merupakan salah satu penyebab utama kematian di dunia, termasuk di Indonesia, sehingga prediksi dini menjadi sangat penting sebagai upaya pencegahan. Tantangan utama dalam pemodelan prediksi serangan jantung adalah distribusi data yang tidak seimbang, di mana jumlah kasus negatif jauh lebih banyak dibandingkan kasus positif, sehingga model cenderung menghasilkan prediksi yang bias. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi serangan jantung dengan menangani permasalahan ketidakseimbangan data dan melakukan optimasi parameter model. Metode yang digunakan adalah penerapan Synthetic Minority Over Sampling Technique (SMOTE) untuk menyeimbangkan kelas data serta GridSearchCV untuk optimasi hyperparameter pada tiga algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Decision Tree. Dataset yang digunakan berasal dari Kaggle dengan total 1.319 data pasien. Hasil eksperimen menunjukkan bahwa setelah proses balancing dan tuning, algoritma Decision Tree memberikan performa terbaik dengan nilai akurasi, precision, recall, dan F1-score mencapai 98%, mengungguli SVM sebesar 92,93% dan KNN sebesar 65,15%. Analisis confusion matrix menunjukkan bahwa Decision Tree mampu menekan kesalahan prediksi terutama pada kelas positif, sehingga mendukung deteksi dini pasien berisiko serangan jantung. Dengan demikian, integrasi SMOTE dan optimasi hyperparameter terbukti efektif meningkatkan kinerja model prediksi serangan jantung.]]>
Copyrights © 2024
