Ensemble Voting Classifier Berbasis Multi-Algoritma dan Metode SMOTE untuk Klasifikasi Penyakit Jantung

Abstract

Jantung adalah organ penting tubuh yang berfungsi untuk memompa darah. Gangguan pada jantung dapat mengganggu sirkulasi darah dalam tubuh dan menjadi salah satu penyebab utama kematian global. Menurut laporan World Health Organization (WHO) tahun 2021, jumlah kematian akibat penyakit jantung mencapai angka signifikan. Sementara itu, prevalensi penyakit jantung di Indonesia mencapai 1,5%. Maka, diperlukan upaya pencegahan dan deteksi dini penyakit jantung dengan memanfaatkan teknologi pembelajaran mesin. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit jantung menggunakan algoritma naïve Bayes dan random forest melalui pendekatan ensemble voting classifier. Data yang digunakan berasal dari Kaggle, yang terdiri atas 1.000 record dengan 14 variabel, satu di antaranya sebagai target klasifikasi. Ketidakseimbangan data diatasi dengan teknik synthetic minority oversampling technique (SMOTE), sedangkan seleksi fitur dikonsultasikan dengan dokter spesialis jantung untuk memastikan relevansi klinis. Model dilatih menggunakan algoritma naïve Bayes, random forest, serta kombinasi keduanya melalui metode ensemble voting classifier, berbeda dengan penelitian sebelumnya yang hanya membandingkan beberapa algoritma untuk menentukan akurasi tertinggi. Hasil pengujian menunjukkan bahwa model yang dilatih dengan ensemble voting classifier memiliki kinerja terbaik, dengan akurasi 98,28%, presisi 98,41%, recall 98,41%, dan F1-score 98,41%. Penelitian ini membuktikan bahwa penerapan metode ensemble voting classifier mampu mencapai akurasi yang lebih baik dibandingkan penggunaan algoritma secara terpisah. Model ini termasuk kategori excellent classification dan diharapkan dapat berkontribusi dalam bidang kedokteran serta mendukung praktisi medis dalam pengembangan sistem pendukung keputusan untuk diagnosis penyakit jantung.