<![CDATA[Penyakit jantung merupakan salah satu masalah kesehatan serius yang membutuhkan deteksi dini agar risiko keterlambatan penanganan dapat diminimalkan. Pemanfaatan Machine Learning memberikan peluang untuk membangun model prediksi berbasis fitur klinis pasien, namun pemilihan algoritma yang tepat masih menjadi isu penting karena performa model sangat dipengaruhi oleh karakteristik dataset. Penelitian ini bertujuan untuk membandingkan performa Logistic Regression dan Random Forest dalam memprediksi penyakit jantung serta menganalisis fitur klinis yang paling berkontribusi terhadap hasil klasifikasi. Dataset yang digunakan adalah Heart Disease Prediction Dataset berisi 270 data pasien, 13 fitur prediktor, dan 1 atribut target. Tahapan penelitian meliputi Exploratory Data Analysis, preprocessing, label encoding, pembagian data 80:20, standardisasi data pada Logistic Regression, pemodelan klasifikasi, optimasi Random Forest menggunakan GridSearchCV dengan 5-Fold Cross Validation, serta evaluasi menggunakan accuracy, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Logistic Regression memperoleh performa terbaik dengan accuracy 85,19%, precision 78,57%, recall 91,67%, F1-score 84,62%, dan ROC-AUC 89,86%. Random Forest memperoleh accuracy 81,48% dan meningkat menjadi 83,33% setelah tuning, tetapi belum mampu melampaui Logistic Regression. Fitur terpenting yang ditemukan adalah Chest Pain Type, Max HR, dan ST Depression. Dengan demikian, Logistic Regression dinilai lebih sesuai sebagai model pendukung deteksi dini penyakit jantung pada dataset klinis berskala terbatas.]]>
Copyrights © 2026
