Peningkatan Akurasi Prediksi Penyakit Jantung Menggunakan Principal Component Analysis (PCA) Pada Algoritma Machine Learnig

Penelitian ini bertujuan meningkatkan akurasi prediksi penyakit jantung menggunakan Principal Component Analysis (PCA) untuk ekstraksi fitur dan berbagai algoritma machine learning. Dataset terdiri dari 334 baris dengan 49 atribut, 5 kelas dan 31 diagnosis target. Lima algoritma yang digunakan adalah K-nearest neighbors (KNN), Logistic Regression (LR), Random Forest (RF), Support Vector Machine (SVM), dan Decision Tree (DT). Hasil menunjukkan bahwa algoritma yang menggunakan PCA mencapai akurasi tinggi, terutama RF, LR, dan DT dengan akurasi hingga 1.00. Penelitian ini menyoroti potensi model machine learning berbasis PCA dalam diagnosis dini penyakit jantung.

Kata kunci: Akurasi Diagnostik, Algoritma Machine Learning, Ekstraksi Fitur, Prediksi Penyakit Jantung, Principal Component Analysis (PCA).