eprintid: 32280
rev_number: 16
eprint_status: archive
userid: 12
dir: disk0/00/03/22/80
datestamp: 2026-07-21 06:40:35
lastmod: 2026-07-21 06:40:35
status_changed: 2026-07-21 06:40:35
type: thesis
metadata_visibility: show
creators_name: Hamdi, Habib Baitul
creators_nim: 22.11.4571
contributors_name: Sulistiyono, Mulia
corp_creators: Universitas AMIKOM Yogyakarta
title: PERBANDINGAN KINERJA ALGORITMA LOGISTIC    
REGRESSION, DECISION TREE, DAN RANDOM FOREST    
DALAM KLASIFIKASI RISIKO PENYAKIT JANTUNG
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.004
divisions: if
full_text_status: restricted
keywords: Penyakit Jantung, Machine Learning, Klasifikasi, Random Forest,
Logistic Regression, Decision Tree, Heart Disease, Classification.
abstract: Penyakit 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.
date: 2026-01-27
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Hamdi, Habib Baitul  (2026) PERBANDINGAN KINERJA ALGORITMA LOGISTIC REGRESSION, DECISION TREE, DAN RANDOM FOREST DALAM KLASIFIKASI RISIKO PENYAKIT JANTUNG.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32280/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32280/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32280/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32280/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32280/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32280/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32280/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32280/8/Sourcecode%20-%2022.11.4571.zip
document_url: https://eprints.amikom.ac.id/id/eprint/32280/9/Publikasi.pdf