<![CDATA[Gagal jantung menjadi salah satu penyebab utama kematian secara global, sehingga diperlukan prediksi risiko dini yang akurat berdasarkan data klinis. Parameter medis seperti usia, tekanan darah, dan kolesterol seringkali mengandung ketidakpastian yang sulit dimodelkan dengan logika tegas konvensional. Penelitian ini bertujuan menerapkan dan membandingkan secara komparatif dua metode inferensi fuzzy, yaitu Mamdani dan Sugeno orde-nol, untuk memprediksi risiko gagal jantung. Menggunakan data sekunder dari Kaggle Heart Failure Clinical Dataset, tiga variabel input difuzzifikasi: usia, tekanan darah sistolik, dan kolesterol serum, menghasilkan 27 aturan fuzzy berbasis heuristik medis. Metode Mamdani menghasilkan tingkat risiko dalam rentang persentase menggunakan defuzzifikasi Center of Area, sedangkan metode Sugeno menghasilkan skor risiko tegas menggunakan metode Weighted Average. Hasil simulasi pada 30 sampel uji pasien menunjukkan korelasi penalaran yang sangat konsisten dengan Mean Absolute Error sebesar 5,16% antara kedua model. Metode Mamdani menghasilkan transisi risiko yang konservatif dan halus (puncak sekitar 86,2%), yang secara linguistik lebih selaras dengan intuisi medis manusia sehingga sangat sesuai untuk sistem penunjang keputusan klinis yang interaktif. Sebaliknya, metode Sugeno menunjukkan rentang dinamis yang agresif (cepat mencapai skor konstanta maksimum 90) dan efisiensi komputasi yang lebih unggul, sehingga lebih sesuai untuk pemantauan medis real-time berbasis IoT.]]>
Copyrights © 2026
