Prediksi Gagal Jantung: Pendekatan Data Mining untuk Deteksi dan Penilaian Risiko

Abstract

Abstract: Heart failure is one of the main causes of death which requires early detection so that treatment can be carried out more quickly. This research compares the performance of the Decision Tree and Random Forest algorithms in predicting heart failure using datasets from Kaggle. The research stages include data collection, pre-processing, classification and evaluation using accuracy, precision, recall and F1 score metrics. The research results show that Random Forest has higher accuracy (77%) than Decision Tree (73%), so it is superior in recognizing overall patterns. However, Decision Tree is superior in detecting patients who actually have heart failure, with 76% precision and 52% recall, compared to Random Forest which only achieves 50% precision and 29% recall. Although Random Forest is generally more accurate, Decision Tree is better at identifying high-risk patients. The results of this study show that the application of machine learning algorithms can help medical personnel identify at-risk patients earlier. This allows for quicker action and can help reduce death rates from heart failure.

Abstrak: Gagal jantung adalah salah satu penyebab utama dalam kematian yang membutuhkan deteksi dini agar penanganannya bisa dilakukan lebih cepat. Penelitian ini membandingkan performa algoritma Decision Tree dan Random Forest dalam memprediksi gagal jantung menggunakan dataset dari Kaggle. Dalam tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, klasifikasi, serta evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi (77%) dibandingkan Decision Tree (73%), sehingga lebih unggul dalam mengenali pola secara keseluruhan. Namun, Decision Tree lebih unggul dalam mendeteksi pasien yang benar-benar mengalami gagal jantung, dengan precision 76% dan recall 52%, dibandingkan Random Forest yang hanya mencapai precision 50% dan recall 29%. Meskipun Random Forest lebih akurat secara umum, Decision Tree lebih baik dalam mengenali pasien yang berisiko tinggi. Hasil penelitian ini menunjukkan bahwa penerapan algoritma machine learning dapat membantu tenaga medis mengidentifikasi pasien berisiko lebih awal, Hal ini memungkinkan tindakan lebih cepat dan dapat membantu menekan angka kematian akibat gagal jantung.