PREDIKSI PENYAKIT JANTUNG DENGAN VARIABEL RIWAYAT PENYAKIT METABOLIK DAN KEBIASAAN MEROKOK MENGGUNAKAN ALGORITMA RANDOM FOREST DAN XGBOOST

Abstract

Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest dan XGBoost dalam prediksi penyakit jantung dengan menekankan variabel riwayat penyakit metabolik dan kebiasaan merokok sebagai faktor risiko utama. Data yang digunakan merupakan dataset publik Kaggle yang diproses melalui tahapan data cleaning, penanganan missing value, encoding variabel kategorikal, pembagian data latih dan data uji, serta pelatihan model. Evaluasi model dilakukan menggunakan confusion matrix, accuracy, precision, recall, F1-score, dan ROC-AUC. Hasil pengujian menunjukkan bahwa Random Forest memberikan performa lebih baik dibandingkan XGBoost dengan akurasi sebesar 0,7322 dan ROC-AUC sebesar 0,6783. Confusion matrix menunjukkan 489 true negative, 131 false positive, 65 false negative, dan 47 true positive, dengan recall sebesar 0,42 dan F1-score sebesar 0,32 pada kelas positif. Secara keseluruhan, Random Forest ditetapkan sebagai model terbaik karena memberikan performa klasifikasi yang lebih seimbang, meskipun optimasi lebih lanjut masih diperlukan untuk meningkatkan sensitivitas terhadap kelas positif.