PERBANDINGAN KINERJA ALGORITMA LOGISTIC REGRESSION, DECISION TREE, DAN RANDOM FOREST DALAM KLASIFIKASI RISIKO PENYAKIT JANTUNG

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.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (170kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (847kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (361kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (419kB)
	Text (BAB V) BAB V.pdf - Published Version Download (45kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (136kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4571.zip Restricted to Repository staff only Download (390kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (598kB)

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.

Actions (login required)

View Item