Perbandingan Algoritma Machine Learning Untuk Mendeteksi Gagal Jantung Berbasis Seleksi Fitur Rfecv Dan Penyeimbangan Data Smote

Abstract

Deteksi dini gagal jantung merupakan tantangan signifikan dalam dunia medis karena kompleksitas faktor risikonya. Penelitian ini bertujuan membandingkan kinerja enam algoritma machine learning dalam memprediksi risiko gagal jantung dengan pendekatan CRISP-DM. Data klinis sebanyak 299 pasien diproses melalui seleksi fitur menggunakan Recursive Feature Elimination with Cross-validation (RFECV) serta penyeimbangan kelas dengan Synthetic Minority Over-sampling Technique (SMOTE). Algoritma yang dievaluasi meliputi Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, dan Gradient Boosting. Evaluasi dilakukan menggunakan validasi silang berstrata dengan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan Random Forest mencapai performa terbaik dengan akurasi dan F1-score sebesar 91,20%, diikuti Gradient Boosting dengan 90,20%. Implementasi SMOTE terbukti meningkatkan kemampuan model, terutama dalam mendeteksi kelas minoritas. Temuan ini menegaskan bahwa metode ensemble seperti Random Forest, dikombinasikan dengan RFECV dan SMOTE, efektif untuk klasifikasi risiko gagal jantung secara akurat dan andal.