KOMPARASI METODE MACHINE LEARNING UNTUK MEMPREDIKSI HARAPAN HIDUP PASIEN KARDIOVASKULAR

Abstract

Penyakit kardiovaskular merupakan penyakit yang menyebabkan gangguan pada jantung dan pembuluh darah. Penyakit ini cukup berbahaya karena dapat mengakibatkan berbagai masalah kesehatan bahkan meningkatkan resiko kematian. Oleh karena itu dibutuhkan suatu metode untuk memprediksi harapan hidup atau resiko kematian pada pasien kardiovaskular. Mendapatkan teknik pemodelan terbaik yang menghasilkan performa prediksi paling optimal menjadi permasalahan dalam memprediksi harapan hidup pasien kardiovaskular. Penelitian ini menggunakan beberapa metode klasifikasi, yaitu multilayer perceptron, logistic regression, dan gradient boosting untuk memprediksi resiko kematian pada pasien penyakit kardiovaskular berdasarkan data rekam medis pasien. Digunakan pula metode seleksi fitur menggunakan correlation based filter dan linear discriminant analysis untuk memilih fitur yang relevan guna mengoptimalkan proses klasifikasi. Dari hasil pengujian diperoleh bahwa rata-rata akurasi tertinggi diperoleh menggunakan metode multilayer perceptron dan regresi linear sebesar 89%. Teknik seleksi fitur menggunakan correlation based filter dan linear discriminant analysis dapat meningkatkan akurasi prediksi resiko kematian pasien kardiovaskular secara berturut-turut sebesar 3% dan 4% untuk metode klasifikasi multilayer perceptron. Sedangkan rata-rata akurasi terbaik untuk gradient boosting yaitu 88% menggunakan perbaikan fitur correlation based filter. Pengujian menunjukkan hasil bahwa akurasi, precision, dan f-measure dari multilayer perceptron dan logistic regression lebih baik dibanding gradient boosting. Namun performa model dengan recall terbaik diperoleh menggunakan metode gradient boosting.

Kata kunci : gradient boosting, kardiovaskular, logistic regression, multilayer perceptron, prediksi harapan hidup