<![CDATA[Model kategorisasi yang akurat diperlukan untuk membantu identifikasi dini penyakit jantung, yang merupakan salah satu penyebab kematian utama di dunia. Permasalahan utama dalam klasifikasi adalah ketidakseimbangan data yang dapat menurunkan kinerja model. Penelitian ini bertujuan meningkatkan akurasi klasifikasi penyakit jantung menggunakan metode ensemble stacking dengan pendekatan teknik sampling. Dataset yang digunakan adalah Heart Failure Prediction Dataset dari Kaggle sebanyak 918 data. Metode yang digunakan terdiri dari tiga base learner, yaitu K-Nearest Neighbor, Naive Bayes, dan Random Forest, serta Logistic Regression sebagai meta-learner. Penanganan data tidak seimbang dilakukan dengan empat skenario, yaitu tanpa sampling, oversampling, undersampling, dan SMOTE. Evaluasi dilakukan menggunakan 10-fold cross validation. Hasil penelitian menunjukkan bahwa metode stacking memberikan performa terbaik dibandingkan model tunggal. Akurasi tertinggi diperoleh pada skenario oversampling sebesar 95,57% dengan nilai precision, recall, dan F1-score sebesar 0,956. Metode ini efektif meningkatkan kinerja klasifikasi penyakit jantung]]>
Copyrights © 2026
