Technology.
Health, and Agriculture Nexus: Conference Series https://journal.
id/index.
php/tcs Vol.
1 No.
Maret 2025, pp.
Prediksi Gagal Jantung: Pendekatan Data Mining untuk Deteksi dan Penilaian Risiko Yunanda Arista1.
Nani Sulistianingsih*2.
Trindah Fitrisia3.
Zabina Dwi Febriyanzi4 1,2,3,4Sistem dan Teknologi Informasi.
Universitas Muhammadiyah Mataram.
Indonesia alien@gmail.
com, 2nani.
sulistianingsih@ummat.
id , 3fitrisia544@gmail.
4zabinadwi14@gmail.
ABSTRACT
Keywords:
Heart Failure Decision Tree Random Forest Abstract: Heart failure is one of the main causes of death which requires early detection so that treatment can be carried out more quickly.
This research compares the performance of the Decision Tree and Random Forest algorithms in predicting heart failure using datasets from Kaggle.
The research stages include data collection, pre-processing, classification and evaluation using accuracy, precision, recall and F1 score metrics.
The research results show that Random Forest has higher accuracy .
%) than Decision Tree .
%), so it is superior in recognizing overall patterns.
However.
Decision Tree is superior in detecting patients who actually have heart failure, with 76% precision and 52% recall, compared to Random Forest which only achieves 50% precision and 29% recall.
Although Random Forest is generally more accurate.
Decision Tree is better at identifying high-risk patients.
The results of this study show that the application of machine learning algorithms can help medical personnel identify at-risk patients earlier.
This allows for quicker action and can help reduce death rates from heart failure.
Kata Kunci:
Abstrak: Gagal jantung adalah salah satu penyebab utama dalam kematian yang membutuhkan deteksi dini agar penanganannya bisa dilakukan lebih cepat.
Penelitian ini membandingkan performa algoritma Decision Tree dan Random Forest dalam memprediksi gagal jantung menggunakan dataset dari Kaggle.
Dalam tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, klasifikasi, serta evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi .
%) dibandingkan Decision Tree .
%), sehingga lebih unggul dalam mengenali pola secara keseluruhan.
Namun.
Decision Tree lebih unggul dalam mendeteksi pasien yang benar-benar mengalami gagal jantung, dengan precision 76% dan recall 52%, dibandingkan Random Forest yang hanya mencapai precision 50% dan recall 29%.
Meskipun Random Forest lebih akurat secara umum.
Decision Tree lebih baik dalam mengenali pasien yang berisiko tinggi.
Hasil penelitian ini menunjukkan bahwa penerapan algoritma machine learning dapat membantu tenaga medis mengidentifikasi pasien berisiko lebih awal.
Hal ini memungkinkan tindakan lebih cepat dan dapat membantu menekan angka kematian akibat gagal jantung.
Gagal Jantung Decision Tree Random Forest Article History:
Received : 25-02-2025 Accepted : 27-03-2025 This is an open access article under the CCAeBY-SA license AiAiAiAiAiAiAiAiAiAi AA AiAiAiAiAiAiAiAiAiAi LATAR BELAKANG Gagal jantung merupakan kondisi kronis yang ditandai dengan ketidakmampuan jantung untuk memompa darah secara efektif guna memenuhi kebutuhan metabolisme tubuh.
Penyakit ini menjadi salah satu penyebab utama morbiditas dan mortalitas di seluruh (Leny et al.
, 2.
Akibat meningkatnya prevalensi gagal jantung, terdapat kebutuhan mendesak untuk metode deteksi dini yang lebih akurat guna mengurangi dampak negatifnya terhadap pasien dan sistem kesehatan.
Data mining, yang merupakan proses ekstraksi pola dari kumpulan data besar menggunakan teknik pembelajaran mesin, telah berkembang sebagai alat yang efektif dalam menganalisis faktor risiko dan meningkatkan prediksi gagal jantung.
Dengan menggabungkan algoritma pembelajaran mesin, model berbasis data dapat meningkatkan keakuratan diagnosis dibandingkan dengan metode Yunanda Arista.
Prediksi Gagal Jantung.
konvensional yang sering kali subjektif dan terbatas pada evaluasi klinis manual (Firmansyach et al.
Deteksi dini gagal jantung sangat penting untuk meningkatkan hasil pasien dan mengurangi beban kesehatan global yang terkait dengan kondisi ini.
Gagal jantung mempengaruhi jutaan orang di seluruh dunia, menyebabkan tingkat morbiditas dan mortalitas yang tinggi.
Namun, metode diagnostik konvensional sering kali kurang akurat karena gejala yang tidak spesifik, sehingga menekankan pentingnya pendekatan inovatif seperti data mining dan pembelajaran mesin.
Diagnosis dini memungkinkan intervensi tepat waktu yang dapat secara signifikan mengurangi komplikasi dan angka kematian (Alsubai et al.
, 2023.
Annisa, 2.
Model pembelajaran mesin telah menunjukkan peningkatan kemampuan prediktif, dengan beberapa algoritma canggih seperti pembelajaran kuantum mencapai akurasi hingga 98% (Alsubai et al.
, 2.
Namun, tantangan utama dalam metode konvensional adalah ketergantungannya pada penilaian subjektif yang dapat menyebabkan tanda-tanda awal gagal jantung terabaikan.
Selain itu, catatan klinis sering kali mengalami permasalahan data yang hilang, yang menyulitkan pengembangan model prediksi yang andal (Guo et al.
, 2.
Oleh karena itu, teknik data mining seperti Random Forest dan XGBoost semakin banyak digunakan karena kemampuannya dalam menangani dataset besar, meningkatkan akurasi prediksi, serta mengatasi ketidakseimbangan data dan nilai yang hilang (Edric & Tamba.
Meskipun demikian, tantangan seperti overfitting dan kebutuhan validasi klinis yang kuat tetap perlu diperhatikan agar model ini dapat diterapkan secara efektif dalam praktik medis.
Teknik data mining memainkan peran penting dalam memprediksi gagal jantung dengan mengidentifikasi pola dan faktor risiko dari kumpulan data medis yang luas.
Algoritma seperti Random Forest, regresi logistik, dan Support Vector Machines (SVM) telah terbukti meningkatkan akurasi prediksi dibandingkan dengan metode tradisional yang bergantung pada penilaian subjektif (Depari et al.
, 2.
Salah satu keuntungan utama data mining adalah kemampuannya dalam menganalisis berbagai variabel seperti usia, tekanan darah, dan kebiasaan gaya hidup untuk mengidentifikasi faktor risiko yang signifikan (Riany & Testiana, 2.
Model Random Forest, misalnya, telah menunjukkan korelasi yang kuat antara indikator medis seperti kreatinin fosfokinase (CPK) dengan risiko gagal jantung (Wan et al.
, 2.
Keunggulan metode berbasis data dibandingkan metode tradisional terletak pada kemampuannya memberikan wawasan objektif dan dapat diukur, sehingga mengurangi ketergantungan pada evaluasi subjektif tenaga medis (Tasnim et al.
, 2.
Selain itu, model pembelajaran mesin mampu memproses kumpulan data besar dan mengungkap hubungan kompleks yang sering kali diabaikan dalam metode konvensional (Raharja et al.
, 2.
Studi menunjukkan bahwa teknik data mining dapat mencapai tingkat akurasi melebihi 85% dalam memprediksi penyakit jantung (Wan et al.
, 2.
Melalui integrasikan berbagai algoritma, analisis yang lebih komprehensif dapat dilakukan, meningkatkan keandalan prediksi (Derisma, 2.
Namun, penting untuk mempertimbangkan bahwa model ini memerlukan data berkualitas tinggi dan validasi yang menyeluruh untuk menghindari risiko overfitting serta memastikan penerapannya dalam berbagai populasi pasien.
Penelitian tentang prediksi gagal jantung berfokus pada peningkatan akurasi model prediktif menggunakan teknik pembelajaran mesin sudah banyak dilakukan.
Hal ini untuk mengembangkan model yang kuat yang dapat secara efektif mengidentifikasi pasien berisiko dan memprediksi hasil klinisnya, sehingga memungkinkan intervensi yang lebih tepat waktu.
Pada upaya meningkatkan akurasi prediksi, beberapa model telah dilaporkan mencapai akurasi hingga 93,36% (Sepharni et al.
Selain itu, penelitian lain juga menekankan pentingnya deteksi dini untuk meningkatkan manajemen dan hasil pasien (Sepharni et al.
, 2.
Ruang lingkup penelitian mencakup penggunaan kumpulan data klinis dari sumber seperti Kaggle dan MIMIC-i, yang menawarkan data pasien yang komprehensif (Tasnim et al.
, 2.
Teknik pembelajaran mesin yang digunakan meliputi Random Forest.
Support Vector Machines, dan regresi logistik, dengan metode pemilihan fitur seperti algoritma genetik dan CoxBoost.
Studi ini juga membandingkan berbagai model, di mana Random 50 | Pendekar : Jurnal Pendidikan Berkarakter | Vol.
No.
Maret 2025.
Hal 48-57 Forest secara konsisten menunjukkan kinerja unggul dalam akurasi dan kemampuan prediktif.
Meskipun begitu, penting untuk mempertimbangkan keterbatasan seperti risiko overfitting serta kebutuhan validasi ekstensif untuk memastikan model dapat diterapkan secara luas.
Meskipun metode Decision Tree dan Random Forest telah digunakan dalam berbagai studi untuk mendeteksi dini gagal jantung, masih terdapat beberapa gap penelitian yang perlu diatasi.
Salah satu celah utama adalah keterbatasan dalam interpretabilitas model Decision Tree dan tantangan dalam menangani dataset dengan variabel yang sangat kompleks.
Penelitian ini berfokus pada perbandingan performa klasifikasi dengan model Decision Tree dan Random Forest.
Oleh karena itu, penelitian ini bertujuan untuk mengeksplorasi strategi optimalisasi dalam Decision Tree dan Random Forest guna meningkatkan ketepatan dan efisiensi prediksi gagal jantung.
Melalui mengembangkan pendekatan yang lebih adaptif dan efisien, penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan deteksi dini gagal jantung dan mendukung pengambilan keputusan klinis berbasis data yang lebih akurat.
METODE PENELITIAN
Metode penelitian memberikan gambaran jelas bagaimana proses penelitian akan dilakukan.
Beberapa tahapan dalam penelitian ini adalah identifikasi masalah, pengumpulan data .
, pra proses data, klasifikasi dengan decision tree dan random forest serta evaluasi dan validasi model.
Alur penelitian lebih jelasnya dapat dilihat pada Gambar 1.
Identifikasi Masalah Dataset Pra-proses Klasifikasi Evaluasi dan Validasi Model Gambar 1.
Alur Penelitian Prediksi Gagal Jantung Identifikasi Masalah Pada tahap identifikasi masalah merupakan tahapan awal pada proses penelitian.
Tahapan ini akan ditentukan masalah dan solusi dari permasalahan yang ada.
Masalah yang ditemukan dari beberapa penelitian terdahulu bahwa dataset dengan variabel yang sangan kompleks serta penanganan overfitting pada dataset gagal jantung.
Sehingga dibutuhkan sebuah perbandingan algoritma yang mampu meangani variabel kompleks serta overfitting seperti algoritma Decision Tree dan Random Forest.
Dataset Dataset merupakan Kumpulan data yang dapat berfungsi sebagai bahan dalam penelitian.
Dataset yang digunakan pada penelitian ini adalah dataset sekunder yang diperoleh dari https://w.
Total data yang digunakan sebanyak 299 baris dan 13 kolom.
Dataset tersebut dibagi menjadi 80% data latih dan 20% data uji.
Pre Processing Data Pada tahap preprocessing, data akan dibersihkan seperti mengapus duplikat, mendeteksi missing value, mendeteksi outlier dan melakukan normalisasi data.
Decision Tree Decision Tree adalah salah satu metode dalam data mining yang digunakan untuk membantu membuat keputusan berdasarkan data yang ada.
Algoritma ini berbentuk seperti pohon, di mana setiap bagian dari pohon mewakili pertanyaan atau aturan yang harus dipenuhi untuk mencapai kesimpulan akhir.
Decision Tree digunakan untuk menganalisis data pasien dan memprediksi apakah mereka berisiko mengalami gagal jantung atau tidak.
Cara kerja algoritma ini adalah dengan Yunanda Arista.
Prediksi Gagal Jantung.
membagi data berdasarkan variabel yang paling berpengaruh, seperti usia, tekanan darah, kadar kreatinin, dan faktor kesehatan lainnya (Firmansyach et al.
, 2.
Pemilihan atribut dilakukan berdasarkan perhitungan Tingkat impurity menggunakan metode seperti berikut:
Entropy digunakan untuk mengukur ketidakteraturan dalam suatu dataset, dirumuskan ycu cI) = Oc Oeycyycn O ycoycuyciCC ycyycn ycn=1 Keterangan :
: Himpunan Kasus : Jumlah partisi S : Proporsi dari sisi terhadap S Gain (S,A) atau information Gain adalah cara untuk mengukur seberapa berguna suatu atribut (A) dalam mengurangi kebingungan .
dalam data (S).
Semakin besar nilai Information Gain, semakin efektif atribut tersebut dalam membagi data menjadi lebih teratur.
Dirumuskan sebagai berikut:
cI, y.
= yaycuycycycuycyyc .
cI) ycu OeOc( .
cIyc.
) O yaycuycycycuycyyc.
cIyc.
cI| ycn=1 Keterangan :
: Himpunan kasus atau dataset utama sebelum dipartisi : Atribut yang digunakan untuk membagi dataset : Jumlah partisi .
umlah subset Si yang terbentuk setelah pemisahan berdasarkan at ribut A) |S.
: Jumlah kasus pada partisi ke i |S| : Jumlah kasus didalam S Random Forest Random Forest adalah salah satu algoritma machine learning dan data mining yang digunakan untuk mengklasifikasikan pasien gagal jantung berdasarkan data medis mereka.
Algoritma ini bekerja dengan membuat banyak pohon keputusan .
ecision tree.
dan mengambil keputusan berdasarkan hasil voting dari semua pohon tersebut.
Random Forest lebih stabil dan akurat dibandingkan metode lain seperti Decision Tree.
Pada penelitian ini.
Random Forest diterapkan pada dataset Heart Failure Clinical Records, yang berisi berbagai informasi medis pasien, seperti usia, fraksi ejeksi, kadar kreatinin serum, kadar natrium serum, dan waktu tindak lanjut.
Model ini bertujuan untuk memprediksi seorang pasien memiliki risiko tinggi meninggal akibat gagal jantung atau tidak (Edric & Tamba, 2.
Berikut adalah rumus yang digunakan dalam Random Forest:
Entropy adalah ukuran ketidakpastian atau ketidakteraturan dalam suatu dataset.
Rumusnya dinyatakan sebagai berikut:
cU) = OeOcycy .
ycU) ycn ycoycuyci2ycy .
ycU) Dimana :
Y : Kumpulan data untuk diukur keragamannya.
C : Kategori atau kelas dalam data.
Y) : Seberapa sering kelas 'c' muncul dalam data Y.
52 | Pendekar : Jurnal Pendidikan Berkarakter | Vol.
No.
Maret 2025.
Hal 48-57 logCC.
Y)) : Ukuran informasi .
alam bi.
untuk menyatakan kelas 'c'.
Kelas yang umum butuh sedikit informasi, kelas yang jarang butuh lebih banyak.
Information Gain Information Gain ialah mengukur seberapa banyak ketidakpastian .
berkurang ketika dataset Y dibagi berdasarkan atribut a.
Rumusnya sebagai berikut:
cU, yc.
= yaycuycycycuycyyc .
cU) Oe Oc .
cUy.
cUyc.
ycyceycOycaycoycyceyc yaycuycycycuycyyc .
cUy.
Dimana:
Y : Data utama yang akan dipisah-pisah.
a : Fitur yang dipakai untuk membagi data Y.
v OO Values.
: Pilihan nilai yang mungkin untuk fitur 'a'.
|Y| : Total jumlah data keseluruhan.
|YA.
: Jumlah data yang memiliki nilai 'v' pada fitur 'a'.
Entropy(YA.
: Ukuran ketidakpastian dalam kelompok data yang memiliki nilai 'v' pada fitur 'a'.
Evaluasi dan Validasi Efektivitas algoritma Decision Tree dan Random Forest masing-masing diukur dengan akurasi, presisi, recall.
F1-score.
Setelah model dilatih, evaluasi beberapa model perlu dilakukan untuk mendapatkan model terbaik (Rizqullah et al.
, 2.
Definisi untuk setiap metrik sebagai berikut:
TP (True Positiv.
: Jumlah kasus positif di mana kasus sudah positif yang sebenarnya diprediksi FP (False Positiv.
: Jumlah kasus negatif yang diprediksi positif.
FN (False Negativ.
: Jumlah kasus positif yang diprediksi negatif.
TN (True Negativ.
: Jumlah kasus negatif di mana kasus sudah negatif yang sebenarnya diprediksi negatif Accuracy (Akuras.
Accuracy adalah metrik evaluasi yang mengukur sejauh mana suatu model klasifikasi dapat memprediksi dengan benar, dihitung dengan membandingkan jumlah prediksi yang positif dan negatif yang benar dengan jumlah total data yang diuji.
Rumusnya dinyatakan sebagai TP TN yaycaycaycycycaycayc = TP TN FN FP Precision (Presis.
Precision mengukur kemampuan model dalam mengidentifikasi kelas positif secara akurat.
Berikut ini adalah rumusnya:
TP FP
TP FN
ycEycyceycaycnycycnycuycu = Recall Recall adalah metrik evaluasi yang mengukur kemampuan model dalam mendeteksi semua kasus positif dengan benar.
Dihitung dengan membagi jumlah True Positive (TP) dengan total kasus positif sebenarnya (TP False Negativ.
Berikut rumusnya:
ycIyceycaycaycoyco = F1-Score Yunanda Arista.
Prediksi Gagal Jantung.
F1-score atau F-measure, adalah ukuran yang digunakan untuk mengevaluasi kinerja model klasifikasi dengan mempertimbangkan keseimbangan antara precision dan recall.
Metrik ini sangat berguna dalam kasus di mana kelas positif lebih penting, terutama jika jumlah data positif jauh lebih sedikit dibandingkan dengan data negatif.
Berikut adalah rumusnya :
ya1 Oe ycIycaycuycyce = 2 y
ycEycyceycaycnycycnycuycu y ycIyceycaycaycoyco
ycEycyceycaycnycycnycuycu ycIyceycaycaycoyco
HASIL DAN PEMBAHASAN
Pada tahap ini hasil penelitian akan dibahas, dari proses persiapan dataset, hingga evaluasi dan validasi model dengan Random Forest dan Decision Tree.
Persiapan Data Dalam penelitian ini.
Kami mengambil dataset dari https://w.
com/ yang berfokus pada dataset gagal jantung.
Dataset ini terdiri dari 13 kolom variabel dan 299 baris.
Kolom-kolom mencakup berbagai fitur yang relevan dan setiap baris dalam dataset mewakili satu pasien yang sudah didiagnosis.
Berikut adalah penjelasan yang lebih jelas mengenai 13 kolom variabel dapat dilihat pada Tabel 1 dan dataset gagal jantung pada Tabel 2.
Tabel 1.
Kolom variabel Dataset Deskripsi Variabel Age Anaemia Nilai 40 Ae 95 (Tahu.
0 = Tidak 1 = Iya 23 Ae 7861 .
cg/L) Usia pasien
Penurunan homoglobin atau sel darah merah
Creatinine Diabetes Kadar enzim CPK dalam darah
Ejection fraction
High blood pressure Persentase darah yang dipompa ke jantung pada setiap kontraksi
Pasien menderita hipertensi atau tidak Platelets Jumlah trombosit dalam darah
Serum creatinine Serum sodium
Sex
Jumlah kadar kreatinin yang terdapat dalam Jumlah kadar natrium yang terdapat dalam darah
Jenis kelamin pasien
Smoking Pasien merokok atau tidak Time
DEATH_EVENT
Waktu pengamatan Pasien meninggal atau tidak dalam waktu Age Pasien mengalami diabetes atau tidak Anemia Pre Processing Data Tabel 2.
Dataset Gagal Jantung Creatinine_phosphokinase Diabetes A A A A A A A A A 0 = Tidak 1 = Iya 14 Ae 80 (%) 0 = Tidak 1 = Iya 25100 Ae 850000 .
iloplatelets/mL) 5 - 9.
g/dL) 113 Ae 148 .
Eq/L) 0 = Perempuan 1 = Laki-laki 0 = Tidak 1 = Iya 4 Ae 285 (Har.
0 = Tidak meninggal 1 = Meninggal Time Death_event A 54 | Pendekar : Jurnal Pendidikan Berkarakter | Vol.
No.
Maret 2025.
Hal 48-57 Pra-pemrosesan data adalah langkah awal yang sangat penting dalam analisis data untuk menyiapkan data mentah menjadi lebih bersih, terstruktur, dan siap digunakan dalam proses analisis, pemodelan statistik, atau penerapan algoritma data mining.
Dalam konteks analisis gagal jantung, tahapan pra-pemrosesan meliputi:
Menghapus Duplikat Data Pada dataset penyakit gagal jantung ini tidak ditemukan data double, sehingga tidak dilakukan proses penghapusan data.
Hal ini menunjukkan bahwa data telah bersih dari data double atau duplikat yang dapat mempengaruhi hasil klasifikasi.
Mendeteksi Missing Value Setelah dilakukannya proses mendeteksi duplikat data, maka tahapan selanjutnya adalah penanganan missing value atau nilai yang hilang.
Pada dataset penyakit gagal jantung ini tidak ditemkukan data yang hilang atau kosong sehingga proses ke tahap selanjutnya dapat Deteksi Outlier Nilai outlier atau .
dapat diartikan sebagai nilai yang memiliki karakteristik dengan kebanyakan nilai lain dalam sebuah dataset.
Berikut hasil variabel creatine kinase yang terdapat outlier.
Gambar 2.
Boxplot Gagal Jantung Berdasarkan gambar 2 menunjukkan variabel Creatine Kinase dalam dataset gagal jantung terlihat distribusi yang tidak normal dengan banyak outlier yang mencerminkan kondisi medis tertentu yang signifikan.
Terlihat beberapa pasien mengalami lonjakan kadar Creatine Kinase yang jauh lebih tinggi dibandingkan mayoritas pasien lainnya.
Creatine Kinase adalah enzim yang terkait dengan kerusakan otot, termasuk jantung (Nainggolan, 2.
Normalisasi Data Tahap ini dilakukan normalisasi data, normalisasi data adalah langkah penting dalam analisis data, terutama dalam konteks prediksi gagal jantung.
Tujuannya adalah untuk memastikan bahwa perbedaan skala antar fitur tidak menimbulkan kesalahan dalam analisis dan Salah satu teknik yang umum digunakan adalah Min-Max normalisasi, yang mentransformasi nilai data menjadi rentang 0 hingga 1.
Nama kolom pada dataset dirubah untuk memudahkan saat pemanggilan variabel.
Dari 13 variabel 7 diantaranya di normalisasi untuk menyamakan nilai kecuali Berikut hasil normalisasi data dapat dilihat pada tabel dibawah ini.
Tabel 3.
Normalisasi Data Gagal Jantung Yunanda Arista.
Prediksi Gagal Jantung.
Usia A.
Kreatine fosfokinase A.
Fraksi ejeksi A.
Platelets A.
Kreatinin serum A.
Natrium serum Time A.
Klasifikasi dengan Model Decision Tree dan Random Forest Penenlitian ini dilakukan untuk membandingkan kedua kinerja dari model Decision Tree dan Random Forest dalam memprediksi pasien beresiko gagal jantung.
Berdasarkan hasil pengujian dengan matriks evaluasi confusion matrix pada model Decision Tree 31 benar dikelompokkan ke dalam pasien tidak gagal jantung dan 4 salah dikategorikan sebagai pasien gagal jantung.
Kemudian 13 benar dikelompokkan sebagai pasien gagal jantung dan 12 salah dikelompokkan sebagai tidak gagal jantung.
Lebih detailnya dapat dilihat pada confusion matrix pada Gambar 3.
Gambar 3.
Confusion Matrix dengan Model Decision Tree Tabel 3.
Confusion Matrix dengan Model Decision Tree Aktual \ Prediksi 0 (Tidak Gagal Jantun.
1 (Gagal Jantun.
0 (Negatif/Tidak Gagal Jantun.
31 (True Negativ.
4 (False Positiv.
1 (Positif/Gagal Jantun.
12 (False Negativ.
13 (True Positiv.
Gambar 4.
Confusion Matrix dengan Model Random Forest Confusion matrix menunjukkan bahwa model salah mengklasifikasikan 4 dari 46 sampel tidak gagal jantung sebagai gagal jantung dan 10 dari 14 sampel gagal jantung sebagai tidak gagal 56 | Pendekar : Jurnal Pendidikan Berkarakter | Vol.
No.
Maret 2025.
Hal 48-57 Tabel 4.
Confusion Matrix dengan Model Random Forest Aktual \ Prediksi 0 (Tidak Gagal Jantun.
1 (Gagal Jantun.
0 (Negatif/Tidak Gagal Jantun.
31 (True Negativ.
4 (False Positiv.
1 (Positif/Gagal Jantun.
12 (False Negativ.
13 (True Positiv.
Pada klasifikasi menggunakan Decision Tree (DT) dan Random Forest (RF), masing-masing memiliki kelebihan dan kekurangan.
Decision Tree lebih sederhana dan mudah dipahami, namun rentan terhadap overfitting, terutama jika datanya kompleks.
Sementara itu.
Random Forest bekerja dengan menggabungkan banyak pohon keputusan, sehingga hasil lebih stabil dan akurasi lebih Berdasarkan hasil akurasi.
Random Forest memiliki akurasi 77% sedikit lebih tinggi dibandingkan Decision Tree yaitu 73%.
Hal ini menunjukkan bahwa Random Forest lebih unggul dalam memprediksi secara keseluruhan, karena mekanisme ensemble yang membantu mengurangi kesalahan prediksi.
Namun, pemilihan algoritma terbaik tidak bergantung pada akurasi.
Decision Tree, meskipun memiliki akurasi lebih rendah, tetapi lebih baik dalam mengenali pasien yang benarbenar mengalami gagal jantung.
Sementara Random Forest lebih akurat secara keseluruhan, kemampuannya dalam mendeteksi kasus gagal jantung lebih lemah.
Oleh karena itu, dalam memilih model terbaik, perlu mempertimbangkan tujuan utama dari klasifikasi yang dilakukan.
SIMPULAN DAN SARAN
Penelitian ini membandingkan peforma algortima Decision Tree dan Random Forest menggunakan dataset gagal jantung.
Proses penelitian dilakukan dengan beberapa tahapan meliputi, identifikasi masalah, pengumpulan dataset, pra-pemrosesan data, klasifikasi, dan evaluasi model yang menggunakan metrik accuracy, precision, recall, dan F1-score.
Hasil dari penelitian ini dimana algoritma Random Forest memiliki akurasi lebih unggul dan akurat yaitu 77% di bandingkan dengan Decision Tree yaitu 73%.
Hal ini menunjukkan bahwa Random Forest lebih baik dan stabil dalam mengklasifikasikan data secara keseluruhan.
Penelitian ini menunjukkan bahwa penggunaan algoritma dalam memprediksi gagal jantung dapat membantu tenaga medis untuk mengidentifikasi pasien yang berisiko lebih awal, sehingga memungkinkan penanganan yang didapat lebih cepat agar bisa mengurasi angka kematian akibat gagal jantung.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada semua pihak yang telah berkontribusi dalam penyusunan paper ini, terutama kepada Ibu Nani Sulistianingsih.
Kom.
,M.
Eng yang senantiasa memberikan bimbingan, nasehat, dan motivasi kepada penulis sehingga penelitian ini selesai dengan baik.
REFERENSI