Perbandingan Algoritma Machine Learning dalam Analisis Penyebab Penyakit Gagal Jantung

Abstract

Penyakit gagal jantung meningkat seiring perkembangan jaman dikarenakan maraknya pola hidup yang tidak sehat, tingkat obesitas, dan angka perokok. Gagal jantung adalah kondisi medis yang abnormal pada struktur atau fungsi jantung. Gejala yang biasa dialami oleh penderita meliputi sesak nafas, kelelahan, dan penurunan tingkat aktivitas. Kemajuan teknologi yang sangat pesat dapat membantu dalam menganalisis penyebab penyakit gagal jantung, salah satunya teknologi machine learning yang mampu dalam memprediksi dan mengklasifikasi pasien yang beresiko gagal jantung dan normal. Penelitian ini menggunakan tiga model machine learning dalam analisis penyakit gagal jantung yaitu Decision Tree, Random Forest, dan XGBoost Ketiga model ini sama – sama memiliki fitur yang dapat diterapkan untuk mengetahui penyebab penyakit gagal jantung yaitu feature importance atau tingkat kepentingan karena termasuk dalam tree based model. Data yang digunakan dalam penelitian berjumlah 918 pasien gagal jantung. Dengan menerapkan fitur tersebut, ketiga model menghasilkan ST Slope yaitu kemiringan naik dan turun ST saat berolahraga menjadi variabel tertinggi terhadap resiko penyakit gagal jantung dengan 39% pada model Decision Tree, 22% pada model Random Forest, dan 46% pada XGBoost.