PENERAPAN ALGORITMA DECISION TREE DAN RANDOM FOREST UNTUK PREDIKSI RISIKO PENYAKIT JANTUNG

Viyani, Antonia Vania (2025) PENERAPAN ALGORITMA DECISION TREE DAN RANDOM FOREST UNTUK PREDIKSI RISIKO PENYAKIT JANTUNG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (820kB)
	Text (BAB I) BAB I.pdf Download (209kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (508kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (224kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (513kB)
	Text (BAB V) BAB V.pdf Download (37kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (124kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4091.zip Restricted to Repository staff only Download (569kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (701kB)

Abstract

Penentuan prediksi risiko penyakit jantung merupakan proses yang sangat penting dalam dunia medis dan kesehatan. Untuk meningkatkan akurasi dan efisiensi dalam klasifikasi risiko penyakit jantung, penelitian ini berfokus pada penerapan dua model machine learning, yaitu Decision Tree dan Random Forest. Decision Tree karena menghasilkan model yang mudah dipahami dan menjadi pilihan yang kuat untuk memprediksi risiko penyakit jantung, memberikan kombinasi yang baik untuk akurasi. Sedangkan Random Forest sebagai algoritma dimana algoritma ini sebagai pencarian solusi prediksi terbaik dan memiliki keunggulan untuk pengklasifikasian dataset dengan jumlah besar. Karena fungsinya dapat digunakan untuk banyak dimensi dengan berbagai skala dan performa tinggi.Tujuan utama dari penelitian ini adalah untuk membandingkan performa kedua model tersebut dalam memprediksi risiko penyakit jantung. Perbandingan dilakukan dengan tahapan Pengumpulan Data, Pembagian Data (Training Set dan Testing Set), Penerapan Algoritma, Evaluasi Model, dan Analisis Evaluasi Model. Dataset yang akan digunakan mencakup informasi tentang jantung dapat dari kaggle. Perbandingan performa pada penelitian ini menggunakan matrix akurasi, precision, recall, F1-Score dan AUC-ROC untuk mengevaluasi kinerja masing-masing model. Penelitian ini menghasilkan bahwa model random forest lebih unggul dengan skor Akurasi 0.93, precision 0.92, Recall 0.92 dan F1 Score 0.92. Skor AUC yang digunakan untuk melihat seberapa baik model mencapai 0.97. Hasil penelitian ini diharapkan mampu memberikan rekomendasi yang bermanfaat bagi industri medis dalam memilih model yang paling tepat untuk prediksi penyakit jantung.

Actions (login required)

View Item