Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, termasuk di Indonesia. Deteksi dini terhadap risiko penyakit jantung sangat penting untuk mencegah komplikasi serius namun tantangan utama yang dihadapi adalah deteksi dini penyakit ini sering terlambat karena proses klasifikasinya belum cukup akurat. Penelitian ini bertujuan membangun model klasifikasi risiko penyakit jantung dengan pendekatan machine learning. Dataset yang digunakan berasal dari Kaggle, terdiri dari 920 data pasien dengan 13 fitur medis yang relevan. Proses penelitian meliputi pra-pemrosesan data, seleksi fitur menggunakan metode Recursive Feature Elimination (RFE), pelatihan model dengan enam algoritma (Random Forest, Support Vector Machine, K-Nearest Neighbors, Naive Bayes, Decision Tree, dan Logistic Regression), serta evaluasi kinerja model menggunakan metrik akurasi, precision, recall, f1-score, ROC-AUC, dan analisis tingkat kepentingan fitur. Hasil penelitian menunjukkan bahwa algoritma Support Vector Machine (SVM) memberikan performa terbaik dengan akurasi sebesar 83,91% dan AUC sebesar 0,92, diikuti oleh Random Forest dengan akurasi 82,61%. Fitur yang paling berkontribusi terh
📖 افتح في inklap 🔗 DOI 📮 اطلب بحثاً