KLASIFIKASI PENYAKIT JANTUNG BERDASARKAN FAKTOR KLINIS MENGGUNAKAN ALGORITMA XG BOOST, RANDOM FOREST, SUPPORT VECTOR MACHINE (SVM) DAN K-NEAREST NEIGHBOR (KNN)

Abstract

Saat ini penyakit jantung menjadi tantangan utama dalam bidang kesehatan masyarakat, diperlukan sarana deteksi dini yang efektif karena penyakit jantung adalah salah satu penyebab kematian paling umum di dunia. Metode mesin pembelajaran dikembangkan untuk membantu proses diagnosis karena data klinis yang kompleks dan metode konvensional yang terbatas. Menggunakan algoritma Random Forest, Support Vector Machine (SVM), XGBoost, dan K-Nearest Neighbors (KNN), penelitian ini bertujuan untuk mengklasifikasikan penyakit jantung berdasarkan faktor klinis. Dengan jumlah 1.888 dataset pasien dari  Kaggle. Proses preprocessing data, pembagian data latih, dan pembagian data uji adalah semua hasil dari penelitian ini, dengan rasio 80:20, pembuatan model dan penilaian menggunakan akurasi, presisi, recall, dan skor F1. Hasil pengujian menunjukkan bahwa Random Forest adalah yang terbaik dengan akurasi sebesar 97,88%, diikuti oleh XGBoost sebesar 94,71%, SVM sebesar 92,59%, dan KNN sebesar 90,21%. Berdasarkan hasil ini, Random Forest dianggap sebagai sistem yang paling ideal dan dapat dipercaya untuk mengklasifikasikan penyakit jantung berdasarkan faktor klinis, dan dapat digunakan sebagai sistem pendukung keputusan dalam bidang kesehatan.