Perbandingan Algoritma Klasifikasi Pada Pasien Penyakit Jantung

Jefrin Waruwu; Abdi Dharma

doi:10.31539/intecoms.v7i5.12434

Jefrin Waruwu Universitas Prima Indonesia
Abdi Dharma Universitas Prima Indonesia Medan

DOI: https://doi.org/10.31539/intecoms.v7i5.12434

Abstract

Jantung adalah organ yang esensial dalam tubuh manusia dan berfungsi sebagai pusat pengatur dalam sistem sirkulasi, dimana pembuluh darah bertindak sebagai jalur distribusinya. Meskipun memegang peran vital, jantung juga merupakan organ yang sangat rentan terhadap berbagai penyakit. Penyakit jantung merupakan salah satu penyakit kronis yang umum di seluruh dunia, dan diagnosis dini sangat penting untuk pengelolaan yang efektif. Penting untuk mendeteksi penyakit jantung secara awal, terutama jika ada faktor bawaan, untuk mencegah risiko komplikasi serius dan kematian yang dapat dihindari. Penelitian yang dilakukan bertujuan untuk membandingkan lima algoritma klasifikasi dalam mengklasifikasi keberadaan penyakit jantung berdasarkan data klinis pasien. Dataset yang digunakan mencakup informasi umur, jenis kelamin, jenis nyeri, tekanan darah, kolestrol, gula darah, hasil EKG, detak jantung, angina, oldpeak, kemiringan segmen ST, kelas. Dataset terdiri dari 1190 baris data lalu data tersebut dibagi menjadi 80% data latih dan 20% data validasi. Algoritma yang dibandingkan ialah CatBoostClassifier, HistGradientBoostingClassifier, RandomForestClassifier, XGBClassifier, VotingClassifier. Berdasarkan hasil eksperimen yang dilakukan bahwasannya algoritma HistGradientBoostingClassifier dan VotingClassifer memiliki akurasi yang optimal dibandingkan dengan algoritma RandomForestClassifier, XGBClassifier dan CatBoostClassifier. HistGradientBoostingClassifier dan VotingClassifier memiliki akurasi 97% dan 97% sedangkan RandomForestClassifier mencapai akurasi 96% lalu XGBClassifier mencapai akurasi 96% terakhir CatBoostClassifier mendapatakan akurasi 95%. Algoritma HistGradientBoostingClassifier dan VotingClassifier disarankan untuk digunakan karena lebih optimal dalam mengklasifikasi pasien penyakit jantung dan normal karena mendapatkan akurasi yang tinggi dibandingkan algoritma lainnya. Penelitian menegaskan pentingnya pemilihan algoritma yang tepat untuk diagnosis dini dan pengelolaan penyakit jantung yang efektif, sehingga dapat membantu dalam mengurangi risiko komplikasi dan meningkatkan kualitas hidup pasien.

Author Biography

Abdi Dharma, Universitas Prima Indonesia Medan

`

References

[1] dr. Sienny Agustin, “Memahami Sistem Peredaran Darah Manusia Beserta Fungsinya,” Alodokter, 2022. https://www.alodokter.com/memahami-sistem- peredaran-darah-pada-manusia
[2] Bunda, “Kenali Fungsi Kerja Jantung Anda,” RSU Bunda, 2021. https://bunda.co.id/artikel/kesehatan/jantung/kenali-fungsi-kerja-jantung-anda/
[3] Rokom, “Penyakit Jantung Penyebab Utama Kematian, Kemenkes Perkuat Layanan Primer,” Redaksi Sehat Negeriku, 2022. https://sehatnegeriku.kemkes.go.id/baca/rilis-media/20220929/0541166/penyakit- jantung-penyebab-utama-kematian-kemenkes-perkuat-layanan-primer/
[4] A. Riski, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung,” J. Tek. Inform. Kaputama, vol. 3, no. 1, pp. 22–28, 2019, [Online]. Available: https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/141/156
[5] A. Purnama, “Edukasi Dapat Meningkatkan Kualitas Hidup Pasien yang Terdiagnosa PenyakitJantung Koroner,” J. Kesehat. Indones. Indones. J. Heal., vol. X, no. 2, pp. 66–71, 2020.
[6] A. Ahdiat, “Kasus Penyakit Katastropik di Indonesia Meningkat pada 2022,” databoks, 2023. https://databoks.katadata.co.id/datapublish/2023/07/03/kasus- penyakit-katastropik-di-indonesia-meningkat-pada-2022 (accessed Aug. 26, 2023).
[7] Eva Miranda Marwali, Yoel Purnama, and Poppy Surwianti Roebiono, “Modalitas Deteksi Dini Penyakit Jantung Bawaan di Pelayanan Kesehatan Primer,” J. Indones. Med. Assoc., vol. 71, no. 2, pp. 100–109, 2021, doi: 10.47830/jinma-vol.71.2-2021-241.
[8] A. B. Wibisono and A. Fahrurozi, “Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 161–170, 2019, doi: 10.35760/tr 2019.v24i3.2393.
[9] H. M. Nawawi, J. J. Purnama, and A. B. Hikmah, “Komparasi Algoritma Neural Network Dan Naïve Bayes Untuk Memprediksi Penyakit Jantung,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 189–194, 2019, doi: 10.33480/pilar.v15i2.6
[10] F. Handayani et al., “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network dalam Prediksi Penyakit Jantung,” J. Edukasi dan Penelit. Inform., vol. 7, no. 3, p. Vol. 7 No. 3, 2021.
[11] M. Balakrishnan, A. B. Arockia Christopher, P. Ramprakash, and A. Logeswari, “Prediction of Cardiovascular Disease using Machine Learning,” J. Phys. Conf. Ser., vol. 1767, no. 1, pp. 1–9, 2021, doi: 10.1088/1742-6596/1767/1/012013.
[12] J. Junifer Pangaribuan, H. Tanjaya, and K. Kenichi, “Mendeteksi Penyakit Jantung Menggunakan Machine Learning Dengan Algoritma Logistic Regression,” J. Inf. Syst. Dev., vol. 06, no. 02, pp. 1–10, 2021.
[13] H. Hidayat, A. Sunyoto, and H. Al Fatta, “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.
[14] A. Sepharni, I. E. Hendrawan, and C. Rozikin, “Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 7, no. 2, p. 117, 2022, doi: 10.30998/string.v7i2.12012.
[15] D. Nasien, R. Syahputra, A. Akbar Marunduri, and R. Prawinata See, “Klasifikasi Penyakit Jantung Menggunakan Decision Tree dan KNN Menggunakan Ektraksi Fitur PCA,” vol. 4, no. 1, pp. 1–6, 2024.
[16] J. D. Muthohhar and A. Prihanto, “Analisis Perbandingan Algoritma Klasifikasi untuk Penyakit Jantung,” J. Informatics Comput. Sci., vol. 04, pp. 298–304, 2023, doi: 10.26740/jinacs.v4n03.p298-304.
[17] A. S. Prabowo and F. I. Kurniadi, “Analisis Perbandingan Kinerja Algoritma Klasifikasi dalam Mendeteksi Penyakit Jantung,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 7, no. 1, pp. 56–61, 2023, doi: 10.47970/siskom- kb.v7i1.468.
[18] I. M. Krisna, D. Jaya, I. G. Agung, and G. Arya, “Perbandingan Random Forest , Decision Tree , Gradient Boosting , Logistic Regression untuk Klasifikasi Penyakit Jantung,” vol. 2, no. November, pp. 61–70, 2023.
[19] A. Masruriyah, H. Novita, C. Sukmawati, A. Ramadhan, S. Arif, and B. Dermawan, “Pengukuran Kinerja Model Klasifikasi dengan Data Oversampling pada Algoritma Supervised Learning untuk Penyakit Jantung,” Comput. Sci., vol. 4, no. 1, pp. 62–70, 2024, doi: 10.31294/coscience.v4i1.2389.
[20] Ratnasari, A. Jurnaidi Wahidin, A. Eko Setiawan, and P. Bintoro, “Machine Learning Untuk Klasifikasi Penyakit Jantung,” Aisyah J. Informatics Electr. Eng., vol. 6, no. 1, pp. 145–150, 2024, doi: 10.30604/jti.v6i1.272.
[21] N. Yudistira and A. F. Putra, “Algoritma Decision Tree Dan Smote Untuk Klasifikasi Serangan Jantung Miokarditis Yang Imbalance,” J. Litbang Edusaintech, vol. 2, no. 2, pp. 112–122, 2021, doi: 10.51402/jle.v2i2.48.