Sistem Prediksi Risiko Penyakit Jantung Menggunakan Metode Logistic Regression Berbasis Optimasi Data
DOI:
https://doi.org/10.59944/jipsi.v5i3.1702Keywords:
Penyakit Jantung, Machine Learning, Logistic Regression, Supervised Learning, Klasifikasi.Abstract
Penyakit jantung masih menjadi penyebab kematian yang signifikan diberbagai negara. Kondisi tersebut menunjukkan pentingnya suatu sistem pendukung keputusan yang dapat membantu tenaga medis dalam mendeteksi risiko penyakit jantung sejak dini secara cepat dan akurat. Penelitian ini berfokus pada pengembangan sistem berbasis machine learning untuk memprediksi risiko penyakit jantung melalui penerapan teknik penyeimbangan data, pemilihan fitur, serta optimalisasi model. Dengan pembagian dataset menjadi 80% data pelatihan serta 20% data pengujian dengan metode train test split. Pendekatan supervised learning digunakan dengan membandingkan enam algoritma klasifikasi, yaitu K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), Naive Bayes, dan Logistic Regression. Ketidakseimbangan distribusi data ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE), sedangkan penentuan fitur yang relevan dilakukan melalui Embedded Methods dengan Random Forest. Selanjutnya, GridSearchCV digunakan untuk menentukan konfigurasi hyperparameter terbaik. Kinerja setiap model dianalisis berdasarkan accuracy, precision, recall, F1-score, dan ROC-AUC. Berdasarkan hasil pengujian dengan dua hasil klasifikasi berupa berisiko dan tidak berisiko, Logistic Regression sebelum proses hyperparameter tuning menghasilkan performa paling baik, dengan accuracy sebesar 82,06%, precision 85,45%, recall 84,68%, F1-score 85,06%, serta ROC-AUC 87,26%. Performa dari Model terbaik tersebut selanjutnya diintegrasikan ke dalam aplikasi berbasis web dan mobile sebagai sarana pendukung untuk melakukan identifikasi dini terhadap risiko penyakit jantung.
References
Al-Zewairi, M., & Qaddoura, A. (2025). Modeling and Design of Complex Systems Using UML Activity Diagrams. International Journal of Computer Science and Software Engineering, 11(3), 45-53.
Alemerien, K. (2024). Diagnosing Cardiovascular Diseases using Optimized Machine Learning Algorithms with GridSearchCV. 5(4), 1539–1552.
Alodokter, C., Berdebar, J., & Penyebab, K. (2026). Artikel Terkait Dokter Terkait Chat lebih dari 1 . 000 dokter di Aplikasi Alodokter ! Respons Cepat , Jawaban Akurat ! Alodokter. 2026.
Alvin Rajkomar, Jeffrey Dean, I. K. (2024). Machine Learning in Medicine. 1347–1358. https://doi.org/10.1056/NEJMra1814259
Anita, M., Grecea, I., Yulianti, D., Pasaribu, S. V., Studi, P., Informatika, T., Widya, U., Pontianak, D., Machine, S. V., Bayes, N., Tree, D., & Machine, S. V. (2025). KLASIFIKASI FAKTOR RISIKO PENYAKIT JANTUNG MENGGUNAKAN MACHINE. 16(c), 68–78.
Dixon, D. L., Harm, P. D., & Taqueti, V. R. (2023). 2023AHA / ACC / ACCP / ASPC / NLA / PCNA Guideline for the Management of Patients With Chronic Coronary Disease. Journal of the American College of Cardiology, 82(9), 833–955. https://doi.org/10.1016/j.jacc.2023.04.003
Hidayat, R., Sy, Y. S., Sujana, T., Husnah, M., & Saputra, H. T. (2024). Implementasi Machine Learning Untuk Prediksi Penyakit Jantung Menggunakan Algoritma Support Vector Machine. 5(2), 161–168.
Larassati, D., Zaidiah, A., & Afrizal, S. (2022). Sistem prediksi penyakit jantung koroner menggunakan metode naïve bayes. 07, 533–546.
Merceedi, K. J., & Abdulazeez, A. M. (2025). Feature Selection Methods of Gene Expression Based on Machine Learning : A Review. 5(1), 105–138.
Muda, U. (2025). Penyakit Jantung Apa itu penyakit jantung ? Penyebab penyakit jantung Faktor risiko penyakit kardiovaskular Komplikasi penyakit jantung Diagnosis penyakit jantung Pengobatan penyakit jantung Pencegahan penyakit jantung NSTEMI , Jenis Serangan Jantung yang Tergolong Ringan NSTEMI , jenis serangan jantung yang tergolong ringan Diagnosis untuk serangan jantung ringan Penanganan untuk serangan jantung ringan.
Nugraha, W. (2023). Prediksi penyakit jantung cardiovascular menggunakan model algoritma klasifikasi.
Pringsewu, U. A. (2025). Volume 6 Issue 1 Aisyah Journal of Informatics and Electrical Engineering Aisyah Journal of Informatics and Electrical Engineering Aisyah Journal of Informatics and Electrical Engineering. 6(1), 145–150.
Pulungan, M. P., Purnomo, A., Kurniasih, A., Korespondensi, P., Class, I., & Technique, S. M. O. (2024). PENERAPAN SMOTE UNTUK MENGATASI IMBALANCE CLASS DALAM KLASIFIKASI KEPRIBADIAN MBTI MENGGUNAKAN NAIVE BAYES APPLICATION OF SMOTE TO OVERCOME CLASS IMBALANCE IN THE MBTI PERSONALITY CLASSIFICATION USING THE NAÏVE BAYES CLASSIFIER. 11(5), 1033–1042. https://doi.org/10.25126/jtiik.2024117989
Raras, C., Widiawati, A., Nurazizah, L., & Yunita, I. R. (2024). Implementasi Algoritma Logistic Regression pada Pembuatan Website Sederhana untuk Prediksi Penyakit Jantung. 15(01), 117–122. https://doi.org/10.35970/infotekmesin.v15i1.2048
Riani, A., Susianto, Y., Rahman, N., & Ali, U. D. (2025). Implementasi Data Mining Untuk Memprediksi Penyakit Jantung Mengunakan Metode Naive Bayes Data Mining Implementation to Predict Heart Disease using Naive Bayes Method. 1(01), 25–34. https://doi.org/10.35970/jinita.v1i01.64
Sadikin, B. G. (2025). Menkes : Stroke dan Jantung Kematian per Tahun di Indonesia. Https://Nasional.Kompas.Com/Read/2025/05/17/16104461/Menkes-300000-Orang-Meninggal-Dunia-Karena-Stroke-per-Tahun.
Silalahi, S. M. M. (2024). ANALISIS FAKTOR RISIKO PENYAKIT JANTUNG PADA PENDUDUK USIA PRODUKTIF DI INDONESIA (ANALISIS DATA SKI 2023). 61–62.
Siswanto, E., Kom, S., Kom, M., Siswanto, E., Kom, S., & Kom, M. (2025). Kupas Tuntas Pemprograman PHP.
Wibowo, A. C., Lestari, S. A., Informasi, S., Komputer, F. I., Duta, U., & Surakarta, B. (2024). ANALISIS PENGGUNAAN MACHINE LEARNING DALAM KLASIFIKASI PENENTUAN PENYAKIT JANTUNG. 9(2), 9–13.
Ying, X. (2023). An Overview of Overfitting and its Solutions An Overview of Overfitting and its Solutions. https://doi.org/10.1088/1742-6596/1168/2/022022
