Machine Learning Untuk Klasifikasi Penyakit Jantung

Abstract

Penyakit jantung disebabkan oleh kondisi abnormal jantung dan pembuluh darah, secara luas dianggap sebagai ancaman langsung terhadap kehidupan dan kesehatan manusia. Diagnosa yang tepat pada fase awal merupakan tugas yang sangat menantang karena adanya ketergantungan yang kompleks yang harus dipertimbangkan pada berbagai faktor. Oleh karena itu dibutuhkan pengembangan sistem diagnosis medis sedemikian rupa sehingga dapat membantu dalam mengambil keputusan pada proses diagnostik.

Penelitian ini bertujuan untuk mencari algoritma mechine learning yang memiliki akurasi yang paling tinggi untuk menprediksi apakah seseorang mengidap penyakit jantung atau tidak berdasarkan database medis. Penelitian kami membandingkan enam metode klasifikasi mechine learning yaitu Naïve Bayes, kNN, Random Forest, Logistic Regression, SVM, Decision Tree dan AdaBoost dengan dataset Cleveland Clinic Foundation yang tersedia di “UCI Machine Learning Repository”. Hasil dari penelitian ini menunjukan bahwa algoritma Naive Bayes memiliki akurasi paling tinggi yaitu sebesar 84.67%, lalu Logistic Regression diurutan kedua dengan akurasi 84.30%, Kemudian Random Forest 81.70%, SVM 81%, Tree 74%, kNN 73%, AdaBoost 71.30%.