Perbandingan Algoritma Random Forest Dan Xgboost Untuk Klasifikasi Penyakit Jantung Berdasarkan Data Medis

Abstract

Penyakit jantung merupakan salah satu penyebab kematian terbanyak di dunia, sehingga deteksi dini menjadi penting untuk mengurangi risiko fatal. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma pembelajaran mesin, yaitu Random Forest dan XGBoost, dalam mengklasifikasikan penyakit jantung berdasarkan data medis. Dataset yang digunakan tersedia untuk umum dan mencakup fitur-fitur darah seperti usia, tekanan, kadar kolesterol, denyut jantung maksimum, hasil EKG, dan tanda-tanda talasemia. Proses penelitian melibatkan eksplorasi data (EDA), pembersihan, transformasi, dan pelatihan model menggunakan kedua algoritma tersebut. Evaluasi dilakukan dengan menggunakan metrik seperti akurasi, presisi, recall, skor F1, dan ROC AUC. Hasilnya menunjukkan bahwa Random Forest berkinerja lebih baik dalam hal sensitivitas dan akurasi dibandingkan dengan XGBoost, terutama dalam mengidentifikasi pasien yang benar-benar menderita penyakit jantung. Temuan ini menunjukkan bahwa metode ensemble berdasarkan keputusan pohon, Random Forest, dapat menjadi pendekatan yang efektif untuk sistem prediksi penyakit jantung dini berdasarkan data medis.