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

  • Dede Kurniadi Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Institut Teknologi Garut, Garut, Jawa Barat 4415, Indonesia
  • Asri Indah Pertiwi Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Institut Teknologi Garut, Garut, Jawa Barat 4415, Indonesia
  • Asri Mulyani Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Institut Teknologi Garut, Garut, Jawa Barat 4415, Indonesia

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.

References

dr. L.P.C. Dewi. “Jenis, gejala, dan penyebab penyakit jantung.” Access date: 13-Mar-2024. [Online]. Available: https://rs-soewandhi.surabaya.go.id/jenis-gejala-dan-penyebab-penyakit-jantung/

S.D. Sawu, A.A. Prayitno, and Y.I. Wibowo, “Analisis faktor risiko pada kejadian masuk rumah sakit penyakit jantung koroner di Rumah Sakit Husada Utama Surabaya,” J. Sains Kesehat., vol. 4, no. 1, pp. 10–18, Jul. 2022, doi: 10.25026/jsk.v4i1.856.

M. Ardiana, Buku Ajar Prevensi dan Rehabilitasi Jantung. Surabaya, Indonesia: Airlangga University Press, 2022.

World Health Organization. “Cardiovascular diseases.” Access date: 7-Agu-2024. [Online]. Available: https://www.who.int/health-topics/cardiovascular-diseases#tab=tab_1

“Laporan Nasional Riskesdas 2018,” Kementerian Kesehatan Republik Indonesia, 2018.

dr. Yudistira Panji S, SpPD, KKV, M.Kes FINASIM. “Memahami pentingnya cek kesehatan jantung.” Primaya Hospital. Access date: 8-Jul-2024. [Online]. Available: https://primayahospital.com/jantung/pentingnya-cek-kesehatan-jantung/

Kementrian Kesehatan RI, “Pemeriksaan, Gejala, dan Diet untuk Jantung,” Direktorat Jenderal Pencegahan dan Pengendalian Penyakit, 2024. https://p2p.kemkes.go.id/pemeriksaan-gejala-dan-diet-untuk-jantung/ (accessed Jun. 02, 2024).

A.M.A. Rahim, I.Y.R. Pratiwi, and M.A. Fikri, “Klasifikasi penyakit jantung menggunakan metode synthetic minority over-sampling technique dan random forest clasifier,” Indones. J. Comput. Sci., vol. 12, no. 5, pp. 2995–3011, Oct. 2023, doi: 10.33022/ijcs.v12i5.3413.

J.D. Muthohhar and A. Prihanto, “Analisis perbandingan algoritma klasifikasi untuk penyakit jantung,” J. Inform. Comput. Sci. (JINACS), vol. 04, no. 3, pp. 298–304, Mar. 2023, doi: 10.26740/jinacs.v4n03.p298-304.

A.F.N. Masruriyah et al., “Evaluasi algoritma pembelajaran terbimbing terhadap dataset penyakit jantung yang telah dilakukan oversampling,” MIND (Multimed. Artif. Intell. Netw. Database) J., vol. 8, no. 2, pp. 242–253, Dec. 2023, doi: 10.26760/mindjournal.v8i2.242-253.

D.H. Depari, Y. Widiastiwi, and M.M. Santoni, “Perbandingan model decision tree, naive Bayes dan random forest untuk prediksi klasifikasi penyakit jantung,” Inform., J. Ilmu Komput., vol. 18, no. 3, pp. 239–248, Dec. 2022, doi: 10.52958/iftk.v18i3.4694.

Ratnasari, A.J. Wahidin, A.E. Setiawan, and P. Bintoro, “Machine learning untuk klasifikasi penyakit jantung,” Aisyah J. Inform. Electr. Eng., vol. 6, no. 1, pp. 145–150, Feb. 2024, doi: 10.30604/jti.v6i1.272.

A. Samosir, M.S. Hasibuan, W.E. Justino, and T. Hariyono, “Komparasi algoritma random forest, naïve Bayes dan k-nearest neighbor dalam klasifikasi data penyakit jantung,” in Pros. Semin. Nas. Darmajaya, 2021, pp. 214–222.

B. Asrun and I. Irmayani, “Penerapan konsep non-deterministic finite automata dalam diagnosa penyakit jantung,” Dewantara J. Technol., vol. 3, no. 1, pp. 122–125, May 2022, doi: 10.59563/djtech.v3i1.184.

P.D. Kusuma, Machine Learning Teori, Program, dan Studi Kasus. Yogyakarta, Indonesia: Deepublish, 2020.

P.B.N. Setio, D.R.S. Saputro, and B. Winarno, “Klasifikasi dengan pohon keputusan berbasis algoritme C4.5,” in PRISMA, Pros. Semin. Nas. Mat., 2020, pp. 64–71.

Rayuwati, H. Gemasih, and I. Nizar, “Implementasi algoritma naive Bayes untuk memprediksi tingkat penyebaran Covid,” J. Ris. Rumpun Ilmu Tek.., vol. 1, no. 1, pp. 38–46, Apr. 2022, doi: 10.55606/jurritek.v1i1.127.

M. Al-Husaini, P.A. Saputra, M. Renaldi, and R.A. Maulana, Prediksi Tsunami dengan Metode Ensemble Machine Learning. Jambi, Indonesia: PT. Sonpedia Publishing Indonesia, 2024.

Sarwido, G.W.N. Wibowo and M.A. Manan, “Penerapan algoritma naive Bayes untuk prediksi heregistrasi calon mahasiswa baru,” J. Tek. Inform., vol. 1, no. 1, pp. 1–10, Feb. 2022, doi: 10.02220/jtinfo.v1i1.126.

S. Saadah and H. Salsabila, “Prediksi harga Bitcoin menggunakan metode random forest,” J. Komput. Terap., vol. 7, no. 1, pp. 24–32, Jun. 2021, doi: 10.35143/jkt.v7i1.4618.

M.R. Adrian, M.P. Putra, M.H. Rafialdy, and N.A. Rakhmawati, “Perbandingan metode klasifikasi random forest dan SVM pada analisis sentimen PSBB,” J. Inform. UPGRIS, vol. 7, no. 1, pp. 36–40, 2021, doi: 10.26877/jiu.v7i1.7099.

I. Daqiqil, Machine Learning: Teori, Studi Kasus dan Implementasi Menggunakan Python, 1st ed. Riau, Indonesia: UR PRESS, 2021.

A.J. Mohammed, M.M. Hassan, and D.H. Kadir, “Improving classification performance for a novel imbalanced medical dataset using SMOTE method,” Int. J. Adv. Trends Comput. Sci. Eng., vol. 9, no. 3, pp. 3161–3172, Jun. 2020, doi: 10.30534/ijatcse/2020/104932020.

M. Ardiansyah, “Model ensemble algoritma naive Bayes dan random forest dalam klasifikasi penyakit paru-paru untuk meningkatkan akurasi,” SMARTLOCK, J. Sains dan Teknol.., vol. 2, no. 2, pp. 32–38, Dec. 2023, doi: 10.37476/smartlock.v2i2.4407.

S. Bashir et al., “A knowledge-based clinical decision support system utilizing an intelligent ensemble voting scheme for improved cardiovascular disease prediction,” IEEE Access, vol. 9, pp. 130805–130822, Sep. 2021, doi: 10.1109/ACCESS.2021.3110604.

J. Dumlao. “Cardiovascular Disease Dataset.” Kaggle. Access date: 28-Apr-2024. [Online]. Available: https://www.kaggle.com/datasets/jocelyndumlao/cardiovascular-disease-dataset

F. Rahman and Mustikasari, “Optimization of student graduation predictions on time using binning and synthetic minority oversampling technique (SMOTE),” Jagti, vol. 4, no. 1, pp. 30–36, Feb. 2024, doi: 10.24252/jagti.v4i1.77.

Published
2025-05-28
How to Cite
Dede Kurniadi, Asri Indah Pertiwi, & Asri Mulyani. (2025). Ensemble Voting Classifier Berbasis Multi-Algoritma dan Metode SMOTE untuk Klasifikasi Penyakit Jantung. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 14(2), 145-153. https://doi.org/10.22146/jnteti.v14i2.17157