<![CDATA[Penyakit kardiovaskular secara konsisten menjadi penyebab utama kematian secara global. Keterlambatan penanganan medis sering terjadi karena keterbatasan metode konvensional dalam mendeteksi pola risiko klinis secara dini. Penelitian ini membangun model Stacking Classifier dengan Random Forest, XGBoost, Support Vector Machine, dan Multi-Layer Perceptron sebagai base learner, serta Logistic Regression sebagai meta-learner. Model dilatih menggunakan 70.000 observasi publik dan menghasilkan 60.383 baris data bersih setelah penghapusan data ekstrem, data dengan kombinasi input identik tetapi label target berbeda, serta observasi dengan tekanan darah yang tidak logis. Evaluasi dilakukan menggunakan Stratified K-Fold 5-fold. Hasil rata-rata validasi silang menunjukkan akurasi 73,94 persen, recall 72,24 persen, F1-score 73,96 persen, dan ROC AUC 0,8056. Fold terbaik diperoleh pada fold kedua dengan ambang batas 0,4638, akurasi 74,00 persen, recall 76,27 persen, F1-score 75,06 persen, dan ROC AUC 0,8066. Confusion Matrix pada fold terbaik menunjukkan 4.724 True Positive dan 1.470 False Negative, sehingga model lebih tepat diposisikan sebagai pendukung penapisan awal, bukan sebagai alat diagnosis akhir. Analisis SHapley Additive exPlanations (SHAP) pada model Stacking Classifier dari fold terbaik menunjukkan bahwa tekanan darah sistolik, usia, kolesterol, dan tekanan darah diastolik merupakan fitur yang paling dominan dalam pembentukan prediksi risiko.]]>
Copyrights © 2026
