Prediksi Risiko Penyakit Jantung Menggunakan Algoritma Random Forest Berdasarkan data Kesehatan Pasien

Salsa Julia Iriani, Arda Try Nabila

Sari


Penyakit jantung merupakan penyebab kematian tertinggi di dunia, sehingga deteksi dini risiko penyakit jantung berbasis data sangat diperlukan untuk mendukung pengambilan keputusan klinis yang tepat waktu. Penelitian ini menerapkan algoritma Random Forest untuk mengklasifikasikan status penyakit jantung dengan menggunakan dataset heart_disease.csv yang terdiri atas 10.000 data pasien dengan 21 atribut demografi, klinis, dan gaya hidup. Nilai kosong pada dataset ditangani melalui imputasi rata-rata (mean) untuk atribut numerik dan modus untuk atribut kategorikal, sedangkan seluruh variabel kategorikal diubah menjadi bentuk numerik menggunakan Label Encoding. Dataset kemudian dibagi menjadi 80% data latih dan 20% data uji, lalu model Random Forest Classifier dengan 100 estimator dan kriteria entropy dilatih untuk memprediksi status penyakit jantung. Model yang dihasilkan memperoleh akurasi keseluruhan sebesar 80,65%; namun evaluasi menggunakan precision, recall, dan F1-score menunjukkan bahwa model sama sekali gagal mengenali pasien yang benar-benar menderita penyakit jantung (kelas 1), dengan nilai recall 0% untuk kelas tersebut. Hal ini mengindikasikan model bias kuat terhadap kelas mayoritas akibat ketidakseimbangan kelas (class imbalance) pada dataset, dan bahwa akurasi keseluruhan saja merupakan metrik yang menyesatkan untuk permasalahan ini. Analisis feature importance lebih lanjut menunjukkan bahwa Sleep Hours, Homocysteine Level, CRP Level, BMI, dan Triglyceride Level merupakan atribut yang paling berpengaruh terhadap status penyakit jantung pada dataset ini. Temuan ini menunjukkan bahwa teknik penyeimbangan kelas seperti oversampling, undersampling, SMOTE, atau pembobotan kelas diperlukan pada penelitian selanjutnya agar diperoleh model prediksi penyakit jantung yang lebih bermakna secara klinis.

Kata kunci— Penyakit jantung, random forest, klasifikasi, machine learning, ketidakseimbangan kelas, feature importance.

Teks Lengkap:

PDF

Referensi


S. S. Rawat, A. K. Mishra, and D. Motwani, “Forecasting the Survival and Mortality of Patients by Machine Learning Trained on Heart Failure Clinical Imbalanced Data,” 2024 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation, IATMSI 2024, 2024, doi:org 10.1109/IATMSI60426.2024.10502741.

A. Rahman, S. Zaman, S. M. K. Parvej, and H. M. Abdul Fattah, “Heart Disease Prediction Using Ensemble Solutions and Exploring the Effect of Target Engineering with Pearson Correlation Based Feature Selection,” Proceedings - 6th International Conference on Electrical Engineering and Information and Communication Technology, ICEEICT 2024, pp. 1407–1412, 2024, doi.org: 10.1109/ICEEICT62016.2024.10534517.

G. M. Kumar, L. A. Abdulaziz Alharbi, A. A. Imam, S. Bin Basri, and M. H. B. Hassan, Cardiovascular Diseases Prediction Using Advanced Machine Learning Algorithms on Cleveland Dataset, vol. 1417 LNEE. 2025. doi: 10.1007/978-981-96-5848-0_33.

K. Elangovan and K. N. S. S. K. Aditya, “Heart Disease Detection Using Modified Random Classifier,” 2025 International Conference on Information, Implementation, and Innovation in Technology, I2ITCON 2025, 2025, doi: 10.1109/I2ITCON65200.2025.11210647.

Z. Shahbazi and S. Nowaczyk, “Towards personalized cardiometabolic risk prediction: A fusion of exposome and AI,” Heliyon, vol. 11, no. 1, 2025, doi: 10.1016/j.heliyon.2024.e40859.

J. Kukreja and R. C. Poonia, Machine learning for healthcare, vol. 143. 2026. doi: 10.1016/bs.adcom.2026.01.005.

S. R. Holagh and B. Xu, “A Meta-Learning Model for Mortality Prediction in Patients with Chronic Cardiovascular Disease,” CMES - Computer Modeling in Engineering and Sciences, 2025, doi: 10.32604/cmes.2025.072259.

M. I. Hossain, M. H. Maruf, M. A. R. Khan, M. S. Sabbir Ejaz, and M. A. S. Khan, “Heart disease prediction using distinct artificial intelligence techniques: performance analysis and comparison,” Iran Journal of Computer Science, vol. 6, no. 4, pp. 397–417, 2023, doi: 10.1007/s42044-023-00148-7.

R. B. Z. Auvee, M. F. I. Fuad, Y. Hossain, S. R. Ahmed, and H. A. Karim, “Cardiovascular diagnostic detection using multilayer perceptron approach,” Systems and Soft Computing, vol. 8, 2026, doi: 10.1016/j.sasc.2026.200490.

M. Rahmathullah, S. Nagakishore Bhavanam, and M. V. Devi, “Predictive modeling of Cardiovascular Disorder: A comparison of Regression model and Random Forest,” doi: 10.1117/12.3070257.

S. Suzuki et al., “Comparison of risk models for mortality and cardiovascular events between machine learning and conventional logistic regression analysis,” PLoS One, 2019, doi: 10.1371/journal.pone.0221911.

N. Komal Kumar, R. Govindarajan, S. Sathya, J. Senthil Murugan, and K. V Bindu, “Comparative analysis of explainable machine learning models for cardiovascular risk stratification using clinical data and shapley additive explanations,” Intell. Based. Med., vol. 12, 2025, doi: 10.1016/j.ibmed.2025.100286.

K. Ng, S. R. Steinhubl, C. R. DeFilippi, S. Dey, and W. F. Stewart, “Early Detection of Heart Failure Using Electronic Health Records: Practical Implications for Time before Diagnosis, Data Diversity, Data Quantity, and Data Density,” Circ. Cardiovasc. Qual. Outcomes, vol. 9, no. 6, pp. 649–658, 2016, doi: 10.1161/CIRCOUTCOMES.116.002797.

B. M. Yankam, “Bridging the gap: methodological challenges and innovations in systematic reviews of machine learning models in healthcare,” Front. Artif. Intell., 2026, doi: 10.3389/frai.2026.1739192.

N. S. Alghamdi, M. Zakariah, A. Shankar, and W. G. Viriyasitavat, “Heart disease prediction using autoencoder and DenseNet architecture,” Egyptian Informatics Journal, vol. 28, 2024, doi: 10.1016/j.eij.2024.100559.

K. S. Divya, M. Mohebbanaaz, and G. Fayaz Hussain, “Machine Learning in Cardiology: Assessing Model Reliability for Real world Deployment,” 2025 IEEE 7th International Conference on Computing, Communication and Automation, ICCCA 2025, 2025, doi: 10.1109/ICCCA66364.2025.11325131.

N. Habashneh, M. Alwars, M. R. AlShehhi, and M. A. Al Betar, “Comparative Analysis of Machine Learning Models for Heart Disease Prediction Using the Cleveland Dataset,” 2025 10th International Conference on Information Technology Trends, ITT 2025, pp. 158–163, 2025, doi: 10.1109/ITT69610.2025.11352907.

M. F. H. Fahim, M. A. M. Hassan, S. M. Karpagavalli, R. Jha, and T. R. Mahesh, “Advancing Cardiovascular Health Prediction: Machine Learning Algorithm Analysis,” Proceedings - 2024 13th IEEE International Conference on Communication Systems and Network Technologies, CSNT 2024, pp. 588–593, 2024, doi: 10.1109/CSNT60213.2024.10546094.


Refbacks

  • Saat ini tidak ada refbacks.


EJECTS: Jurnal Computer, Technology, and Informations System

Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

View My Stats