Pengaruh Seleksi Fitur dan Ukuran Data pada Klasifikasi Penyakit Jantung dengan Naive Bayes dan Decision Tree

Abstract

Penyakit jantung merupakan penyebab utama kematian secara global, yang bertanggung jawab atas sekitar 17,9 juta kematian setiap tahunnya. Deteksi dini melalui machine learning menawarkan solusi yang efisien dan dapat diskalakan, khususnya untuk fasilitas kesehatan dengan sumber daya terbatas. Penelitian ini secara empiris mengkaji pengaruh ukuran dataset dan seleksi fitur terhadap performa klasifikasi penyakit jantung menggunakan Naïve Bayes (GaussianNB) dan Decision Tree (CART–Gini).

Tiga dataset yang tersedia secara publik digunakan: Cleveland Heart Disease Dataset (303 data, UCI ML Repository), Faisalabad Heart Disease Dataset (299 data, UCI ML Repository), dan Framingham Heart Study Dataset (4.240 data, Kaggle). Dataset-dataset ini diselaraskan menjadi delapan fitur klinis yang sama: usia, jenis kelamin, tekanan darah (trestbps), kolesterol (chol), gula darah puasa (fbs), hasil EKG (restecg), detak jantung maksimum (thalac), dan angina akibat olahraga (exang). Pra-pemrosesan meliputi penyelarasan fitur, imputasi nilai yang hilang menggunakan median kolom, dan penanganan outlier melalui capping berbasis IQR.

Seleksi fitur menerapkan SelectKBest dengan skor agregat yang menggabungkan Chi-squared, Mutual Information, dan F-statistic dalam tiga kondisi: tanpa seleksi (seluruh 8 fitur), k=5, dan k=3. Ukuran dataset divariasikan menggunakan Stratified Sampling Without Replacement pada lima tingkat: n=98, n=297 (Cleveland penuh), n=300 (Faisalabad penuh), n=490, dan n=980. Seluruh 30 skenario eksperimen (5 ukuran × 3 kondisi fitur × 2 algoritma) dievaluasi menggunakan Repeated Stratified 10-Fold Cross-Validation (5 pengulangan = 50 nilai metrik per skenario). Normalisasi melalui Min-Max Scaler diintegrasikan ke dalam pipeline cross-validation untuk mencegah kebocoran data (data leakage).

Hasil menunjukkan bahwa Naïve Bayes secara konsisten mengungguli Decision Tree pada seluruh 30 skenario, dengan mencapai rata-rata F1-Score yang lebih tinggi pada setiap dataset dan kondisi fitur. Pada subset Framingham (n=980), Naïve Bayes mencapai rata-rata F1-Score sebesar 0,811 dibandingkan dengan Decision Tree sebesar 0,767 tanpa seleksi fitur. Seleksi fitur dengan k=5 menghasilkan peningkatan yang moderat pada dataset Cleveland untuk kedua algoritma, namun hasilnya tidak konsisten di seluruh dataset. Temuan ini menunjukkan bahwa karakteristik dataset — khususnya distribusi kelas — memainkan peran yang lebih signifikan dibandingkan reduksi fitur dalam ruang delapan fitur. Naïve Bayes direkomendasikan sebagai algoritma yang lebih robust untuk klasifikasi penyakit jantung pada berbagai skala data.

Kata kunci: penyakit jantung, Naïve Bayes, Decision Tree, SelectKBest, ukuran dataset, seleksi fitur, cross-validation.