<![CDATA[Penyakit jantung masih menjadi penyebab kematian yang signifikan diberbagai negara. Kondisi tersebut menunjukkan pentingnya suatu sistem pendukung keputusan yang dapat membantu tenaga medis dalam mendeteksi risiko penyakit jantung sejak dini secara cepat dan akurat. Penelitian ini berfokus pada pengembangan sistem berbasis machine learning untuk memprediksi risiko penyakit jantung melalui penerapan teknik penyeimbangan data, pemilihan fitur, serta optimalisasi model. Dengan pembagian dataset menjadi 80% data pelatihan serta 20% data pengujian dengan metode train test split. Pendekatan supervised learning digunakan dengan membandingkan enam algoritma klasifikasi, yaitu K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), Naive Bayes, dan Logistic Regression. Ketidakseimbangan distribusi data ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE), sedangkan penentuan fitur yang relevan dilakukan melalui Embedded Methods dengan Random Forest. Selanjutnya, GridSearchCV digunakan untuk menentukan konfigurasi hyperparameter terbaik. Kinerja setiap model dianalisis berdasarkan accuracy, precision, recall, F1-score, dan ROC-AUC. Berdasarkan hasil pengujian dengan dua hasil klasifikasi berupa berisiko dan tidak berisiko, Logistic Regression sebelum proses hyperparameter tuning menghasilkan performa paling baik, dengan accuracy sebesar 82,06%, precision 85,45%, recall 84,68%, F1-score 85,06%, serta ROC-AUC 87,26%. Performa dari Model terbaik tersebut selanjutnya diintegrasikan ke dalam aplikasi berbasis web dan mobile sebagai sarana pendukung untuk melakukan identifikasi dini terhadap risiko penyakit jantung.]]>
Copyrights © 2026
