<![CDATA[Penyakit kardiovaskular, khususnya aterosklerosis, merupakan penyebab utama kematian global dengan menyumbang sekitar 32% dari seluruh kematian di dunia. Penelitian ini mengimplementasikan tiga algoritma machine learning—Naive Bayes Gaussian, AdaBoost, dan XGBoost—untuk memprediksi mortalitas pasien penyakit jantung aterosklerosis (ICD I25.1) menggunakan data rekam medis elektronik dari Pusat Jantung Nasional Harapan Kita periode 2016–2021 yang terdiri dari 4.691 rekaman pasien. Proses pengolahan data mengikuti kerangka Knowledge Discovery in Databases (KDD) yang meliputi seleksi, preprocessing, transformasi, dan klasifikasi data. Dataset memiliki ketidakseimbangan kelas yang signifikan dengan 4.478 data mortalitas rendah dan 213 data mortalitas tinggi, sehingga ROC AUC dipilih sebagai metrik evaluasi utama. Hasil penelitian menunjukkan XGBoost memiliki nilai ROC AUC tertinggi sebesar 0,74, diikuti AdaBoost sebesar 0,68, dan Naive Bayes sebesar 0,64. Analisis SHAP mengungkap bahwa konsentrasi hemoglobin (khermchc), hemoglobin rata-rata per sel (hermch), trombosit, dan leukosit adalah fitur yang paling berpengaruh terhadap prediksi mortalitas. Model terbaik diimplementasikan dalam aplikasi berbasis web menggunakan Flask dan Python, memungkinkan masyarakat melakukan deteksi dini risiko mortalitas penyakit jantung aterosklerosis secara mandiri.]]>
Copyrights © 2026
