Perbandingan Algoritma Machine Learning dalam Analisis Penyebab Penyakit Gagal Jantung
DOI:
https://doi.org/10.26418/jp.v10i2.78369Keywords:
Machine Learning, Decision Tree, Random Forest, XGBoost, Feature ImportanceAbstract
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.
References
V. Castiglione, A. Aimo, G. Vergaro, L. Saccaro, C. Passino, and M. Emdin, “Biomarkers for the diagnosis and management of heart failure,†Heart Fail. Rev., vol. 27, no. 2, pp. 625–643, 2022, doi: 10.1007/s10741-021-10105-w.
Kemenkes RI, “Pedoman Nasional Pelayanan Kedokteran Tata Laksana Gagal Jantung,†Keputusan Menteri Kesehat. Republik Indones. Nomor Hk.01.07/Menkes/4801/2021, pp. 1–6, 2021.
M. Fadli and R. A. Saputra, “Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke,†JT J. Tek., vol. 12, no. 2, pp. 72–80, 2023, [Online]. Available: http://jurnal.umt.ac.id/index.php/jt/index
M. A. Fais et al., “Implementasi Algoritma Decision Tree untuk Klasifikasi Serangan Jantung,†vol. 1, no. 4, pp. 207–212, 2023, [Online]. Available: https://doi.org/10.59581/jusiik-widyakarya.v1i4.1895
M. Rizky Mubarok, R. Herteno, I. Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lambung Mangkurat Jalan Ahmad Yani Km, and K. Selatan, “Hyper-Parameter Tuning Pada Xgboost Untuk Prediksi Keberlangsungan Hidup Pasien Gagal Jantung,†Klik - Kumpul. J. Ilmu Komput., vol. 9, no. 2, pp. 391–401, 2022, [Online]. Available: http://klik.ulm.ac.id/index.php/klik/article/view/484
R. Arisandi, “Perbandingan Model Klasifikasi Random Forest Dengan Resampling Dan Tanpa Resampling Pada Pasien Penderita Gagal Jantung,†J. Gaussian, vol. 12, no. 1, pp. 136–145, 2023, doi: 10.14710/j.gauss.12.1.136-145.
D. Basu, R. Sinha, S. Sahu, J. Malla, N. Chakravorty, and P. S. Ghosal, “Identification of severity and passive measurement of oxidative stress biomarkers for β–thalassemia patients: K-means, random forest, XGBoost, decision tree, neural network based novel framework,†Adv. Redox Res., vol. 5, no. March, p. 100034, 2022, doi: 10.1016/j.arres.2022.100034.
S. Ouyang, “Research of Heart Disease Prediction Based on Machine Learning,†Proc. - 2022 5th Int. Conf. Adv. Electron. Mater. Comput. Softw. Eng. AEMCSE 2022, pp. 315–319, 2022, doi: 10.1109/AEMCSE55572.2022.00071.
T. Afrose, M. Hossen, and M. I. Islam, “Heart Diseases Prediction Using Multiple Machine Learning Techniques,†2022 4th Int. Conf. Sustain. Technol. Ind. 4.0, STI 2022, vol. 0, pp. 1–5, 2022, doi: 10.1109/STI56238.2022.10103237.
Dikan Ismafillah, Tatang Rohana, and Yana Cahyana, “Analisis algoritma pohon keputusan untuk memprediksi penyakit diabetes menggunakan oversampling smote,†INFOTECH J. Inform. Teknol., vol. 4, no. 1, pp. 27–36, 2023, doi: 10.37373/infotech.v4i1.452.
F. L. D. Cahyanti, F. Sarasati, W. Astuti, and E. Firasari, “Klasifikasi Data Mining Dengan Algoritma Machine Larning Untuk Prediksi Penyakit Liver,†Technol. J. Ilm., vol. 14, no. 2, p. 134, 2023, doi: 10.31602/tji.v14i2.10093.
Y. Purbolingga, D. Marta, A. Rahmawatia, and B. Wajhi, “Perbandingan Algoritma CatBoost dan XGBoost dalam Klasifikasi Penyakit Jantung,†J. APTEK Vol. 15 No 2 126-133, vol. 15, no. 2, pp. 126–133, 2023, [Online]. Available: http://journal.upp.ac.id/index.php/aptek/article/download/1930/1163/4970
B. Pálfi, K. Arora, D. Prociuk, and O. Kostopoulou, “Risk prediction algorithms and clinical judgment: Impact of advice distance, social proof, and feature-importance explanations,†Comput. Human Behav., vol. 153, no. July 2023, 2024, doi: 10.1016/j.chb.2023.108102.
U. Pawar, C. T. Culbert, and R. O’Reilly, “Evaluating hierarchical medical workflows using feature importance,†Proc. - IEEE Symp. Comput. Med. Syst., vol. 2021–June, pp. 265–270, 2021, doi: 10.1109/CBMS52027.2021.00075.
H. Imaduddin, B. A. Hermansyah, and M. M. Alfajri, “Klasifikasi Kematian Akibat Gagal Jantung Menggunakan Algoritma Logistic Regression Berbasis Forward Selection,†J I M P - J. Inform. Merdeka Pasuruan, vol. 7, no. 3, p. 96, 2023, doi: 10.51213/jimp.v7i3.565.
