Evaluasi Kinerja Algoritma Random Forest dan Gradient Boosting Untuk Klasifikasi Risiko Penyakit Jantung

Penyakit jantung tetap menjadi salah satu faktor utama penyebab kematian di berbagai belahan dunia, sehingga diperlukan diagnosis dini yang akurat untuk mengurangi risiko yang ditimbulkan. Kemajuan teknologi machine learning memberikan peluang baru untuk membantu tenaga medis dalam memprediksi penyakit jantung secara lebih efisien dan tepat. Kajian ini mengarah pada evaluasi dan perbandingan terhadap kinerja dua algoritma pembelajaran terawasi yang populer, yaitu Random Forest dan Gradient Boosting, dalam klasifikasi penyakit jantung. Dataset berisikan 1.000 baris data dengan sejumlah fitur yang merepresentasikan berbagai faktor risiko penyakit jantung. Penilaian kinerja dilakukan dengan memanfaatkan metrik seperti akurasi, presisi, recall dan f1-score. Dari hasil analisis diperoleh bahwa Random Forest unggul dibandingkan Gradient Boosting dalam seluruh metrik evaluasi. Random Forest memperoleh akurasi sebesar 99,5%, sementara Gradient Boosting memperoleh 98,5%. Selain itu, Random Forest mencapai nilai sempurna (100%) pada presisi kelas 0, recall kelas 1, dan F1-score kelas 1, menunjukkan kemampuannya yang tinggi dalam klasifikasi penyakit jantung. Model yang dikembangkan ini memiliki potensi besar untuk diterapkan sebagai alat bantu pengambilan keputusan dalam sistem layanan kesehatan, terutama pada tahap skrining awal dan penilaian risiko pasien. Dengan mengidentifikasi pola dan fitur kunci yang berhubungan dengan penyakit jantung, model ini dapat membantu tenaga kesehatan dalam memberikan hasil klinis yang lebih cepat juga tepat sasaran.

Kata kunci : penyakit jantung, klasifikasi, random forest, gradient boosting.