Model Hybrid PSO, Feature Selection Correlation dan Logistic Regression untuk Deteksi Penyakit Jantung

Hidayatullah, Muhammad Wahyu
Siswa, Taghfirul Azhima Yoga
Pranoto, Wawan Joko

INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi
Vol 28 No 1 (2025): Juni 2026 (In Progress)

Penyakit jantung merupakan salah satu penyebab utama kematian baik di Indonesia maupun secara global sehingga diperlukan model deteksi dini yang akurat. Penelitian ini bertujuan meningkatkan kinerja Logistic Regression dengan regularisasi L2 melalui optimasi Particle Swarm Optimization (PSO) dan feature selection berbasis correlation. Metode yang digunakan meliputi pre-processing, standarisasi, seleksi fitur, serta evaluasi menggunakan K-10 Fold Cross Validation. Hasil pengujian menunjukkan bahwa Logistic Regression menghasilkan accuracy 82,47%, precision 80,31%, recall 88,56%, dan F1-score 84,10%. Setelah dioptimasi dengan PSO, performa meningkat menjadi accuracy 84,45%, precision 81,74%, recall 91,01%, dan F1-score 85,98%. Hasil tersebut menegaskan bahwa pendekatan hybrid yang diusulkan efektif dalam meningkatkan deteksi penyakit jantung.