Analisis Perbandingan 3 Model Machine Learning Pada Deteksi Penyakit Jantung

Abstract

Penyakit jantung merupakan penyebab utama kematian di Indonesia dan dunia, sehingga deteksi dini menjadi sangat penting. Penelitian ini membandingkan performa tiga algoritma machine learning—Logistic Regression, Random Forest, dan K-Nearest Neighbors (KNN) dalam memprediksi penyakit jantung menggunakan data dari Kaggle. Proses penelitian mencakup pengumpulan data, preprocessing, pembagian data, pemodelan, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model KNN memiliki performa terbaik dengan akurasi 85,88% dan keseimbangan yang tinggi antara presisi, recall, dan F1-score (masing-masing 87,23%). Model Random Forest menyusul dengan akurasi 82,35% dan AUC tertinggi sebesar 0,88, sedangkan Logistic Regression menunjukkan performa terendah dengan akurasi 77,65%. Berdasarkan hasil tersebut, model KNN direkomendasikan sebagai metode yang paling efektif untuk deteksi dini penyakit jantung, dengan Random Forest sebagai alternatif yang stabil dan andal.