<![CDATA[Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia, sehingga diperlukan metode yang mampu membantu proses deteksi dini secara cepat dan akurat. Penelitian ini bertujuan untuk memprediksi penyakit jantung menggunakan metode machine learning berdasarkan data kesehatan pasien. Dataset yang digunakan terdiri dari 18 fitur yang berkaitan dengan kondisi kesehatan, gaya hidup, dan riwayat penyakit pasien. Tahapan penelitian meliputi preprocessing data, analisis Exploratory Data Analysis (EDA), analisis distribusi kelas, penanganan class imbalance menggunakan Synthetic Minority Over-sampling Technique (SMOTE), pembagian data dengan rasio 90% data training dan 10% data testing, pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi model menggunakan metrik accuracy, recall, F1-score, dan confusion matrix. Penelitian ini membandingkan tiga algoritma machine learning, yaitu Decision Tree, Random Forest, dan Logistic Regression. Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan kemampuan model dalam mendeteksi kelas minoritas yang ditunjukkan oleh peningkatan nilai recall dan F1-score pada seluruh algoritma. Berdasarkan hasil evaluasi, Random Forest memberikan performa terbaik dengan nilai accuracy sebesar 0,761, recall sebesar 0,671, dan F1-score sebesar 0,324. Selain itu, hasil analisis menunjukkan bahwa faktor usia, diabetes, aktivitas fisik, BMI, dan kondisi kesehatan umum memiliki pengaruh terhadap risiko penyakit jantung. Dengan demikian, penerapan metode SMOTE pada algoritma Random Forest mampu meningkatkan performa klasifikasi pada dataset yang tidak seimbang sehingga berpotensi menjadi pendukung dalam proses prediksi penyakit jantung.]]>
Copyrights © 2026
