Penerapan dan Perbandingan Model Klasifikasi (Decision Tree, Naive Bayes, KNN, Logistic Regression) dalam Prediksi Serangan Jantung

penerapan dan perbandingan metode klasifikasi dalam prediksi penyakit jantung

Abstract

Penyakit jantung, terutama serangan jantung, merupakan isu kesehatan global yang serius. Ini memerlukan deteksi yang cepat dan prediksi risiko yang tepat agar intervensi dapat dilakukan secara efektif. Penelitian ini bertujuan untuk menciptakan dan membandingkan performa berbagai algoritma pembelajaran mesin dalam memprediksi serangan jantung, dengan menggunakan dataset hearts. csv. Metode yang diterapkan mencakup Decision Tree, Naive Bayes, dan K-Nearest Neighbors (KNN), dengan Logistic Regression sebagai perbandingan. Data melalui proses preprocessing yang meliputi standardisasi fitur, setelah itu dibagi menjadi data latihan dan pengujian. Hyperparameter dioptimalkan dengan menggunakan GridSearchCV agar kinerja model bisa ditingkatkan. Evaluasi model dilakukan dengan menggunakan metrik akurasi, presisi, recall, F1-score, dan Area Under the Receiver Operating Characteristic Curve (AUC), serta analisis dari Confusion Matrix. Hasil penelitian menunjukkan bahwa Logistic Regression dan Decision Tree yang telah dioptimasi menampilkan performa terbaik. Logistic Regression memperoleh akurasi 0. 8539 dan AUC 0. 8351, sementara Decision Tree yang dioptimasi mencapai akurasi 0. 8427 dan AUC 0. 8291. Kinerja Naive Bayes juga sangat baik, meski tidak melalui proses optimasi hyperparameter. Hasil ini menegaskan potensi besar pembelajaran mesin dalam membantu pengambilan keputusan klinis dan manajemen risiko serangan jantung.