PERBANDINGAN PERFORMA MODEL RANDOM FOREST, XGBOOST, DAN LOGISTIC REGRESSION DALAM MENGANALISIS PENYAKIT JANTUNGBrilyanHarwanauthorPenyakit jantung merupakan penyebab utama kematian global, dengan proyeksi WHO menunjukkan sekitar 20,5 juta kematian pada 2025 dan akan meningkat hingga 35,6 juta pada 2050 akibat faktor risiko seperti hipertensi, pola makan buruk, dan kurang olahraga. Di Indonesia, prevalensi penyakit jantung terus meningkat, dengan data BPJS Kesehatan mencatat beban biaya katastropik tertinggi mencapai puluhan triliun rupiah per tahun, serta tren naik dari 0,5% (2013) menjadi 1,5% (2018) berdasarkan Riskesdas. Tantangan diagnosis dini dan analisis data medis besar mendorong pemanfaatan machine learning untuk prediksi akurat. Penelitian ini membandingkan performa tiga algoritma machine learning Logistic Regression, Random Forest, dan XGBoost dalam klasifikasi penyakit jantung menggunakan dataset publik dari Kaggle dengan 1048 baris. Proses meliputi cleaning data, seleksi fitur dengan SelectKBest (menghapus cholesterol karena skor rendah), standarisasi, splitting data (80:20 dengan stratify), pemodelan, serta optimalisasi hyperparameter menggunakan GridSearchCV. Hasil menunjukkan bahwa Random Forest dan XGBoost mencapai nilai ROC-AUC tertinggi 0.90 setelah tuning, dengan peningkatan signifikan dibandingkan tanpa tuning, sementara Logistic Regression berada di 0.84. Fitur paling berpengaruh adalah ST slope, chest pain type, dan exercise angina. Random Forest direkomendasikan sebagai model terbaik karena keseimbangan akurasi, stabilitas, dan kemampuan diskriminasi. Penelitian ini memberikan kontribusi untuk deteksi dini penyakit jantung berbasis data publik, dengan saran pengembangan menggunakan dataset lokal Indonesia dan integrasi ke sistem kesehatan.000 Ilmu komputer, informasi dan pekerjaan umum2026-02-23Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis