KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN ALGORITMA RANDOM FOREST DENGAN PENDEKATAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE)

Abstract

Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia sehingga deteksi dini sangat diperlukan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit jantung menggunakan algoritma Random Forest yang diimplementasikan dalam bentuk website. Data penelitian berasal dari RSUD Parapat dengan total 304 data, terdiri dari 210 pasien penyakit jantung dan 94 pasien bukan penyakit jantung. Karena data tidak seimbang, metode Synthetic Minority Over-sampling Technique (SMOTE) digunakan untuk menyeimbangkan jumlah data antar kelas. Penelitian dilakukan dengan dua skenario, yaitu klasifikasi tanpa SMOTE dan dengan SMOTE. Pada skenario tanpa SMOTE, model Random Forest menghasilkan akurasi 91,80%, presisi 92%, recall 90%, dan f1-score 92%. Hasil ini menunjukkan akurasi yang baik, tetapi model cenderung lebih fokus pada kelas penyakit jantung sehingga prediksi menjadi kurang seimbang. Pada skenario dengan SMOTE, akurasi tetap baik dan performa antar kelas menjadi lebih seimbang, yang terlihat dari peningkatan nilai akurasi 96,72%, presisi 97,61%, recall 97,61%, dan f1-score 95,80% pada kelas bukan penyakit jantung. Dengan demikian, penerapan SMOTE terbukti mampu meningkatkan kemampuan Random Forest dalam melakukan klasifikasi yang lebih adil antara dua kelas. Selain itu, website yang dibangun berhasil menampilkan hasil prediksi dengan baik sehingga dapat digunakan sebagai alat bantu dalam deteksi dini risiko penyakit jantung.