Klasifikasi Penyakit Jantung dengan Metode Random Forest
DOI:
https://doi.org/10.55826/7aktp288Keywords:
Random Forest, Penyakit Jantung, Deteksi Dini, Klasifikasi, Resiko, Machine LearningAbstract
Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia dengan angka kematian mencapai 17,8 juta jiwa setiap tahun menurut World Health Organization (WHO). Di Indonesia, prevalensi penyakit jantung terus meningkat dari tahun ke tahun, dipengaruhi oleh faktor seperti pola makan tidak sehat, kurangnya aktivitas fisik, dan faktor genetik. Deteksi dini menjadi kunci penting untuk mencegah komplikasi serius dan meningkatkan peluang kesembuhan. Perkembangan teknologi informasi, khususnya di bidang machine learning, membuka peluang untuk membantu proses diagnosis penyakit jantung. Salah satu algoritma yang banyak digunakan dan terbukti efektif adalah Random Forest, yang termasuk dalam kategori ensemble learning dan mampu meminimalkan risiko overfitting serta menangani data berskala besar dan non-linear.Penelitian ini menggunakan dataset UCI Heart Disease dengan tahapan pra-pemrosesan meliputi penghapusan outlier, penyeimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE), serta normalisasi menggunakan StandardScaler. Pengujian dilakukan 80:20 dengan empat kombinasi fitur berdasarkan nilai kepentingan dari atribut feature_importances_. Hasil pengujian menunjukkan bahwa kombinasi penghapusan outlier diikuti SMOTE memberikan performa terbaik dengan nilai AUC tertinggi 0,96, diikuti penghapusan outlier saja dengan AUC 0,95, dan SMOTE saja dengan AUC 0,94.
References
[1] “Penyakit-Jantung-Koroner-Akut-Serangan-Jantung.Pdf.”
[2] A.Putra, Agung Sagung Mas Meiswaryasti Et Al., “Edukasi Penangan Awal Pada Serangan Jantung,” J. Pengabdi. Magister Pendidik. IPA, Vol. 6, No. 4, Pp. 4–7, 2023.
[3] A. Y.Agusyul Andf.Firmansyah, “Prediksi Penyakit Jantung Menggunakan Algoritma Random Forest,” J. Minfo Polgan, Vol. 12, No. 2, Pp. 2239–2246, 2023, Doi: 10.33395/Jmp.V12i2.13214.
[4] T.Informatika, “1 Teknik Informatika 2019,” Pp. 1–7, 2019.
[5] T.Nangon, “Prediksi Tahap Awal Penyakit Jantung Menggunakan Algoritma Random Forest (Studi Kasus RSIJ),” Da’watuna J. Commun. Islam. Broadcast, Vol. 4, No. 4, Pp. 1561–1567, 2024, Doi: 10.47467/Dawatuna.V4i4.1882.
[6] N. H.Alfajr Ands.Defiyanti, “Metode Random Forest Dan Penerapan Principal Component Analysis ( PCA ),” Vol. 12, No. 3, 2024.
[7] M. K.Dwipa Jaya, “Perbandingan Random Forest, Decision Tree, Gradient Boosting, Logistic Regression Untuk Klasifikasi Penyakit Jantung,” Jnatia, Vol. 2, No. November, Pp. 1–5, 2023.
[8] A.Ghozali, H.Pratiwi, and. S.Handajani, “Implementasi Data Mining Menggunakan Metode Random Forest Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes,” Delta J. Ilm. Pendidik. Mat., Vol. 11, No. 2, P. 147, 2023, Doi: 10.31941/Delta.V11i2.2686.
[9] M.Rizki, D.Devrika, Andi. H.Umam, “Aplikasi Data Mining Dalam Penentuan Layout Swalayan Dengan Menggunakan Metode MBA,” J. Tek. Ind. J. Has. Penelit. Dan Karya Ilm. Dalam Bid. Tek. Ind., Vol. 5, No. 2, Pp. 130–138, 2020.
[10] H.Chen, K. P.Xu, L. F.Chen, Andq. S.Jiang, “Self-Expressive Kernel Subspace Clustering Algorithm For Categorical Data With Embedded Feature Selection,” Mathematics, Vol. 9, No. 14, 2021, Doi: 10.3390/Math9141680.
[11] R. J.Kuo, Y. R.Zheng, Andt. P. Q.Nguyen, “Metaheuristic-Based Possibilistic Fuzzy K-Modes Algorithms For Categorical Data Clustering,” Inf. Sci. (Ny)., Vol. 557, Pp. 1–15, 2021, Doi: 10.1016/J.Ins.2020.12.051.
[12] J.Martinez, “Customer-Centric Framework: The Missing Link Between Data And Business Value,” Appl. Mark. Anal., Vol. 7, No. 4, Pp. 345–354, 2022, [Online]. Available: Https://Api.Elsevier.Com/Content/Abstract/Scopus_Id/85127620919
[13] Z.Xia, “Named Entity Recognition Of HSE Inspection Minutes Based On Data Enhancement,” China Saf. Sci. J., Vol. 32, No. 12, Pp. 53–62, 2022, Doi: 10.16265/J.Cnki.Issn1003-3033.2022.12.2727.
[14] F. S.Wijaya, M. F.Arotsid, Andr.Adriano, “Literatur Review : Penerapan Algoritma Random Forest Untuk Klasifikasi Penyakit Diabetes,” Vol. 2, No. 3, Pp. 474–481, 2024.
[15] K.Widya Kayohana, “Klasifikasi Penyakit Hati Menggunakan Random Forest Dan Knn,” JATI (Jurnal Mhs. Tek. Inform., Vol. 8, No. 4, Pp. 7924–7929, 2024, Doi: 10.36040/Jati.V8i4.10457.
[16] S. A.Putri, N.Selayanti, Andm.Kristanaya, “Penerapan Machine Learning Algoritma Random Forest Untuk Prediksi Penyakit Jantung,” Vol. 2024, No. Senada, 2024.
[17] H.Hidayat, A.Sunyoto, Andh.Alfatta, “Klasifikasi Penyakit Jantung Menggunakan Random Forest Clasifier,” J. SISKOM-KB (Sistem Komput. Dan Kecerdasan Buatan), Vol. 7, No. 1, Pp. 31–40, 2023, Doi: 10.47970/Siskom-Kb.V7i1.464.
[18] M.Rizki Et Al., “Aplikasi End User Computing Satifaction Pada Penggunaan E-Learning FST UIN SUSKA,” SITEKIN J. Sains, Teknol. Dan Ind., Vol. 19, No. 2, Pp. 154–159, 2022, Accessed: Jun.05, 2022. [Online]. Available: Http://Ejournal.Uin-Suska.Ac.Id/Index.Php/Sitekin/Article/View/14730
[19] W.Tanujaya, D.Dewi, D. E.-W.Teknik, And Undefined2013, “Penerapan Algoritma Genetik Untuk Penyelesaian Masalah Vehicle Routing Di PT. MIF,” Journal.Wima.Ac.Id, Accessed: Feb.08, 2022. [Online]. Available: Http://Journal.Wima.Ac.Id/Index.Php/Teknik/Article/View/163
[20] R. F. N.Iskandar, D. H.Gutama, D. P.Wijaya, Andd.Danianti, “Klasifikasi Menggunakan Metode Random Forest Untuk Awal Deteksi Diabetes Melitus Tipe 2,” J. Tek. Ind. Terintegrasi, Vol. 7, No. 3, Pp. 1620–1626, 2024, Doi: 10.31004/Jutin.V7i3.26916.
[21] D. H.Depari, Y.Widiastiwi, Andm. M.Santoni, “Perbandingan Model Decision Tree, Naive Bayes Dan Random Forest Untuk Prediksi Klasifikasi Penyakit Jantung,” Inform. J. Ilmu Komput., Vol. 18, No. 3, P. 239, 2022, Doi: 10.52958/Iftk.V18i3.4694.
[22] S.Hu, “A Data-Centric Solution To Improve Online Performance Of Customer Service Bots,” 2023. Doi: 10.1145/3539618.3591843.
[23] D.Markudova, “Preventive Maintenance For Heterogeneous Industrial Vehicles With Incomplete Usage Data,” Comput. Ind.., Vol. 130, 2021, Doi: 10.1016/J.Compind.2021.103468.
[24] R.Shirkhorshidi, “How To Comply With Generated Data With Wells Hse Performance Procedures And Requirements In Practice,” 2023. Doi: 10.2118/214598-MS.
[25] T.Karabchuk, “Motherhood Wage Penalty In Russia: Empirical Study On RLMS-HSE Data,” 2021. [Online]. Available: Https://Api.Elsevier.Com/Content/Abstract/Scopus_Id/85138947354
[26] A. M.Alfaudzan, A.Almayda, Andr.Nugraha, “Perbandingan Model Data Mining Klasifikasi Dalam Memprediksi Penyakit Jantung Di Eropa,” 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Ahmad Muflih Wafir S.A, Ahmad Homaidi, Hermanto
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
