ANALISIS PREDIKSI RISIKO PENYAKIT JANTUNG PADA PASIEN MENGGUNAKAN ALGORITMA DATA MINING RANDOM FOREST CLASSIFIER

TIARA SARTIKA, NPM 209100129 (2026) ANALISIS PREDIKSI RISIKO PENYAKIT JANTUNG PADA PASIEN MENGGUNAKAN ALGORITMA DATA MINING RANDOM FOREST CLASSIFIER. Skripsi thesis, Universitas Labuhanbatu.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (487kB)
	Text BAB II.pdf Download (450kB)
	Text BAB III.pdf Restricted to Registered users only Download (448kB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text BAB V.pdf Download (207kB)
	Text DAFTAR PUSTAKA.pdf Download (328kB)

Abstract

Penyakit jantung merupakan salah satu permasalahan kesehatan yang membutuhkan deteksi dini karena dapat berkembang tanpa menunjukkan gejala yang jelas pada tahap awal. Pemanfaatan data pasien melalui teknik data mining dapat membantu mengidentifikasi pola yang berkaitan dengan risiko penyakit jantung. Penelitian ini bertujuan untuk menerapkan algoritma Random Forest Classifier dalam memprediksi risiko penyakit jantung, mengevaluasi kinerja model klasifikasi, serta mengetahui atribut yang paling berpengaruh terhadap hasil prediksi. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen komputasional. Data yang digunakan adalah Heart Disease Dataset dari UCI Machine Learning Repository yang terdiri atas 303 data pasien, 13 atribut prediktor, dan satu atribut target. Target diklasifikasikan menjadi dua kelas, yaitu kelas 0 untuk pasien tanpa indikasi penyakit jantung dan kelas 1 untuk pasien dengan indikasi penyakit jantung. Tahapan penelitian meliputi pemilihan data, pemeriksaan missing value, pemeriksaan data ganda, transformasi target, pemeriksaan tipe data, serta pembagian data menjadi 80% data latih dan 20% data uji secara stratified. Model dibangun menggunakan algoritma Random Forest Classifier dengan 100 pohon keputusan sebagai parameter awal. Kinerja model akan dievaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Analisis feature importance juga dilakukan untuk mengidentifikasi atribut yang paling berkontribusi terhadap prediksi. Penelitian ini diharapkan menghasilkan model klasifikasi yang dapat mendukung analisis awal dan deteksi dini risiko penyakit jantung. Namun, hasil prediksi model tidak digunakan sebagai pengganti diagnosis medis, melainkan sebagai pendukung pengambilan keputusan awal. Kata kunci : Penyakit Jantung, Data Mining, Prediksi, Random Forest Classifier, Klasifikasi. ======================================================================== Heart disease is a major health problem that requires early detection because it may develop without clear symptoms during its initial stages. The utilization of patient data through data mining techniques can assist in identifying patterns associated with the risk of heart disease. This study aims to apply the Random Forest Classifier algorithm to predict heart disease risk, evaluate the performance of the classification model, and identify the attributes that have the greatest influence on the prediction results. This study employs a quantitative approach with a computational experimental method. The data used are obtained from the Heart Disease Dataset available in the UCI Machine Learning Repository, consisting of 303 patient records, 13 predictor attributes, and one target attribute. The target variable is classified into two classes: class 0 represents patients without indications of heart disease, while class 1 represents patients with indications of heart disease. The research stages include data selection, missing-value examination, duplicate-data examination, target transformation, data-type examination, and stratified data splitting into 80% training data and 20% testing data. The model will be developed using the Random Forest Classifier algorithm with 100 decision trees as the initial parameter. Model performance will be evaluated using a confusion matrix, accuracy, precision, recall, and F1-score. Feature importance analysis will also be conducted to identify the attributes that contribute most significantly to the prediction. This study is expected to produce a classification model that can support preliminary analysis and early detection of heart disease risk. However, the model’s predictions are not intended to replace medical diagnosis but to serve as supporting information for initial decision-making. Keywords : Heart Disease, Data Mining, Prediction, Random Forest Classifier, Classification.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Penyakit Jantung, Data Mining, Prediksi, Random Forest Classifier, Klasifikasi. ================================ Heart Disease, Data Mining, Prediction, Random Forest Classifier, Classification.
Subjects:	Q Science > QA Mathematics > QA76 Computer software R Medicine > RC Internal medicine T Technology > T Technology (General)
Divisions:	Fakultas Sains Dan Teknologi > Sistem Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	04 Sep 2026 10:02
Last Modified:	04 Sep 2026 10:02
URI:	http://repository.ulb.ac.id/id/eprint/2765

Actions (login required)

View Item