TY  - THES
Y1  - 2026/02/23/
N2  - Penyakit 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.
KW  - GridSearchCV
KW  -  Machine Learning
KW  -  Random Forest
KW  -  Logistic
Regression
KW  -  XGBoost.
PB  - Universitas AMIKOM Yogyakarta
A1  - Harwan, Brilyan
M1  - bachelor
UR  - https://eprints.amikom.ac.id/id/eprint/33060/
ID  - universitasamikomyogyakarta33060
AV  - restricted
TI  - PERBANDINGAN PERFORMA MODEL RANDOM
FOREST, XGBOOST, DAN LOGISTIC REGRESSION DALAM
MENGANALISIS PENYAKIT JANTUNG
ER  -