EPrints Universitas Amikom YogyakartaPERBANDINGAN KINERJA ALGORITMA LOGISTIC REGRESSION, DECISION TREE, DAN RANDOM FOREST DALAM KLASIFIKASI RISIKO PENYAKIT JANTUNGHabib BaitulHamdiauthorPenyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia yang memerlukan penanganan serius. Deteksi dini sangat krusial untuk mencegah fatalitas, namun kompleksitas faktor risiko klinis sering kali menyulitkan diagnosis yang cepat dan akurat. Penelitian ini bertujuan untuk membangun dan membandingkan kinerja model Machine Learning dalam mengklasifikasikan risiko penyakit jantung, serta mengidentifikasi fitur medis yang paling berpengaruh terhadap prediksi tersebut. Penelitian ini menggunakan dataset sekunder yang terdiri dari data rekam medis pasien. Tiga algoritma klasifikasi diterapkan sebagai pembanding, yaitu Logistic Regression, Decision Tree, dan Random Forest. Tahapan pra-pemrosesan data dilakukan secara komprehensif, meliputi penghapusan data duplikat yang menghasilkan 918 data bersih, transformasi data menggunakan One-Hot Encoding, pembagian data latih dan uji dengan rasio 80:20, serta penskalaan fitur menggunakan Standard Scaler. Evaluasi performa model diukur menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa algoritma Random Forest memiliki kinerja terbaik dibandingkan dua model lainnya, dengan mencatatkan akurasi tertinggi sebesar 89,67%, precision 91,50%, recall 90,65%, dan F1score 91,07%. Sementa ra itu, Logistic Regression memperoleh akurasi sebesar 85,32% dan Decision Tree sebesar 79,34%. Analisis Feature Importance pada model terbaik mengungkapkan bahwa ST Slope (kemiringan gelombanST) dan Oldpeak merupakan variabel yang paling dominan dalam memengaruhi hasil prediksi. Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai metode yang efektif untuk membantu tenaga medis dalam diagnosis dini penyakit jantung.000 Ilmu komputer, informasi dan pekerjaan umum004 Pemrosesan data dan ilmu komputer2026-01-27Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.