Perbandingan Klasifikasi Penyakit Jantung Menggunakan Metode Machine Learning Dengan Implementasi Feature Importance

Abstract

Penyakit jantung merupakan salah satu masalah kesehatan utama di seluruh dunia yang memerlukan pendekatan klasifikasi yang tepat untuk diagnosis dan penanganan yang tepat waktu. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja metode machine learning dalam klasifikasi penyakit jantung dengan menerapkan teknik feature importance. Metode penelitian melibatkan pengumpulan data pasien yang relevan, pra-pemrosesan data untuk menangani outlier, dan mempersiapkan fitur-fitur untuk analisis. Selanjutnya, model klasifikasi dibangun menggunakan tiga metode machine learning utama, yaitu Extreme Gradient Boost (XGBoost), Support Vector Machines (SVM), dan Random Forest. Implementasi feature importance dilakukan untuk memahami kontribusi setiap fitur terhadap klasifikasi penyakit jantung. Hasil penelitian menunjukkan bahwa sebelum implementasi feature importance, XGBoost menunjukkan kinerja tertinggi, diikuti oleh SVM dan Random Forest. Namun, setelah implementasi feature importance, kinerja XGBoost, SVM, RF meningkat secara signifikan, tetapi SVM dan RF ada penurusan sedikit pada presisi. Hasil ini mengindikasikan bahwa penggunaan feature importance sangat mempengaruhi kinerja model dengan membantu mengidentifikasi fitur-fitur yang paling relevan dan signifikan. Dengan demikian, penelitian ini memberikan kontribusi penting dalam meningkatkan pemahaman tentang penggunaan metode machine learning dalam klasifikasi penyakit jantung serta pentingnya implementasi feature importance dalam meningkatkan akurasi dan keandalan model. Hal ini memiliki implikasi yang signifikan dalam praktik medis, di mana diagnosis yang akurat dapat membantu dalam pengobatan dan penanganan penyakit jantung dengan lebih efektif.