Hybrid Machine Learning Model untuk memprediksi Penyakit Jantung dengan Metode Logistic Regression dan Random Forest

Silmi Ath Thahirah Al Azhima; Dwicky Darmawan; Nurul Fahmi Arief Hakim; Iwan Kustiawan; Mariya Al Qibtiya; Nendi Suhendi Syafei

doi:10.54914/jtt.v8i1.539

Penulis

Silmi Ath Thahirah Al Azhima Universitas Pendidikan Indonesia
Dwicky Darmawan Universitas Pendidikan Indonesia
Nurul Fahmi Arief Hakim Universitas Pendidikan Indonesia
Iwan Kustiawan Universitas Pendidikan Indonesia
Mariya Al Qibtiya Universitas Pendidikan Indonesia
Nendi Suhendi Syafei Univeritas Padjadjaran

DOI:

https://doi.org/10.54914/jtt.v8i1.539

Kata Kunci:

Hybrid Model, Logistic Regression, Penyakit Jantung, Random Forest, Sistem Informasi

Abstrak

Jantung adalah organ utama yang harus bekerja dengan benar dan teratur. Jika terjadi gangguan, akan berakibat fatal yaitu timbulnya serangan jantung. Serangan jantung termasuk dalam 10 penyakit dengan resiko kematian yang tinggi. Hal itu disebabkan oleh faktor stress, tekanan darah, kerja berlebihan, gula darah dan lainnya. Tujuan penelitian ini adalah untuk memprediksi penyakit jantung menggunakan algoritma Machine Learning (ML) sebagai langkah preventif dini pada sistem informasi berbasis desktop. Dengan Machine Learning models yaitu hybrid model dapat meningkatkan nilai akurasi dari sebuah metode ML yang ditambahkan dengan metode ML lainnya. Nilai akurasi yang didapatkan dari Hybrid Model Machine Learning dengan menggunakan metode Random Forest dan Logistic Regression sebesar 84,48% yang meningkat sebesar 1,32%.

Unduhan

Data unduhan belum tersedia.

Referensi

“The top 10 causes of death,” who.int, 2020.

2018 Kementerian Kesehatan RI, “Laporan_Nasional_RKD2018_FINAL.pdf,” Badan Penelitian dan Pengembangan Kesehatan. p. 198, 2018.

“Ini Penyebab Gagal Jantung dan Faktor Risikonya,” alodokter.com, 2022. .

I. Arifin, R. F. Haidi, and M. Dzalhaqi, “Penerapan Computer Vision Menggunakan Metode Deep Learning pada Perspektif Generasi Ulul Albab,” J. Teknol. Terpadu, vol. 7, no. 2, pp. 98–107, 2021.

V. Chang, V. R. Bhavani, A. Q. Xu, and M. Hossain, “An artificial intelligence model for heart disease detection using machine learning algorithms,” Healthc. Anal., vol. 2, no. September 2021, p. 100016, 2022.

M. Balakrishnan, A. B. Arockia Christopher, P. Ramprakash, and A. Logeswari, “Prediction of Cardiovascular Disease using Machine Learning,” J. Phys. Conf. Ser., vol. 1767, no. 1, pp. 1–7, 2021.

M. Patel, R. Patange, C. Patil, and P. A. Kapoor, “Predicting Heart Disease Using Machine Learning Algorithms .,” pp. 61–66, 2022.

V. Miškovic, “Machine Learning of Hybrid Classification Models for Decision Support,” no. June, pp. 318–323, 2014.

A. Bhattacharya, “WHAT IS HYBRID MACHINE LEARNING AND HOW TO USE IT?,” analyticsinsight.net, 2022. .

S. Mohan, C. Thirumalai, and G. Srivastava, “Effective heart disease prediction using hybrid machine learning techniques,” IEEE Access, vol. 7, pp. 81542–81554, 2019.

M. Kavitha, G. Gnaneswar, R. Dinesh, Y. R. Sai, and R. S. Suraj, “Heart Disease Prediction using Hybrid machine Learning Model,” Proc. 6th Int. Conf. Inven. Comput. Technol. ICICT 2021, pp. 1329–1333, 2021.

Nazarenko, E., Varkentin, V., & Polyakova, T. (2019). Features of Application of Machine Learning Methods for Classification of Network Traffic (Features, Advantages, Disadvantages). 2019 International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon).

Ravishankar, A., Natarajan, S., & Malakreddy, B. (2020). Sylvian-Silva (SFORCE): An Ensembled Boost Approach Towards Machine Learning. IEEEXplore.

Prajwala, T. (2015). A Comparative Study on Decision Tree and Random Forest Using R Tool. International Journal of Advanced Research in Computer and Communication Engineering., Vol. 4, pp. 196-199,2015.

Kanervo, A. (2022). Random Forest Application to Tumour Classification. Thesis. University of Turku.

Choudhury, A., & Gupta, D. (2018). A Survey on Medical Diagnosis of Diabetes Using Machine Learning Techniques. Recent Developments in Machine Learning and Data Analytics, pp. 67–78.

M. Samadi Gharajeh, “Waterative Model: an Integration of the Waterfall and Iterative Software Development Paradigms,” Database Syst. J., vol. X, pp. 75–81, 2019.

M. R. Sony, “UCI Heart Disease Data,” kaggle.com, 2020.