Komparasi Algoritma Machine Learning Untuk Klasifikasi Risiko Serangan Jantung Di Indonesia

Abstract

Serangan jantung merupakan salah satu penyebab kematian tertinggi di Indonesia sehingga diperlukan upaya deteksi dini untuk mengidentifikasi individu yang berisiko mengalami kondisi tersebut. Penelitian ini bertujuan membandingkan performa algoritma Decision Tree, Random Forest, dan Gradient Boosting dalam klasifikasi risiko serangan jantung di Indonesia, serta menganalisis pengaruh feature selection terhadap performa model. Penelitian menggunakan dataset Heart Attack Prediction in Indonesia yang diperoleh dari Kaggle, yang terdiri atas 158.355 data individu dan 28 atribut. Data tersebut mencakup karakteristik individu dan faktor yang berkaitan dengan risiko serangan jantung, seperti usia, jenis kelamin, hipertensi, diabetes, kadar kolesterol, obesitas, kebiasaan merokok, aktivitas fisik, tekanan darah, serta riwayat penyakit jantung sebelumnya. Tahapan penelitian meliputi data cleaning, transformasi data menggunakan one-hot encoding, feature selection menggunakan metode Gain Ratio, serta pembagian data menjadi 80% data latih dan 20% data uji. Performa model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Gradient Boosting memperoleh akurasi tertinggi sebesar 73,6%, diikuti Decision Tree sebesar 72,2% dan Random Forest sebesar 71,2%. Feature selection menghasilkan 9 atribut terpilih tanpa memberikan peningkatan performa yang berarti. Dengan demikian, Gradient Boosting merupakan algoritma dengan performa terbaik dalam klasifikasi risiko serangan jantung pada penelitian ini.