ANALISIS DETEKSI DINI PENYAKIT JANTUNG DENGAN METODE ENSEMBLE LEARNING PADA DATA PASIEN

Abstrak

Penyakit jantung merupakan salah satu penyebab utama kematian yang memerlukan deteksi dini agar dapat dilakukan penanganan yang cepat dan tepat. Penelitian ini bertujuan untuk mengembangkan model prediksi penyakit jantung menggunakan metode ensemble learning, khususnya teknik Adaptive Boosting (AdaBoost). Metode ini menggabungkan beberapa model lemah untuk meningkatkan akurasi klasifikasi penyakit jantung pada data pasien. Hasil penelitian menunjukkan bahwa penerapan teknik ensemble learning dengan metode AdaBoost menghasilkan model dengan akurasi yang sangat tinggi, terutama setelah menambahkan fitur demografis seperti jenis kelamin dan usia. Akurasi model meningkat dari 93,75% menjadi 100% dengan precision, recall, dan f1-score mencapai nilai 1,00 untuk kedua kelas. Dengan hasil yang sangat baik ini, metode AdaBoost terbukti efektif dalam mendeteksi penyakit jantung pada tahap awal, memberikan peluang untuk tindakan medis yang lebih tepat waktu dan efektif. Penelitian ini diharapkan memberikan kontribusi signifikan dalam pengembangan teknologi deteksi dini penyakit jantung serta meningkatkan kualitas hidup pasien melalui diagnosis yang lebih akurat.