Klasifikasi Keberadaan Penyakit Jantung Menggunakan XGBoost

Abstract

Penyakit kardiovaskular merupakan salah satu penyebab utama kematian di seluruh dunia dan biasanya memerlukan prosedur diagnosis medis yang kompleks. Penelitian ini bertujuan untuk membangun model klasifikasi machine learning menggunakan metode Extreme Gradient Boosting (XGBoost) untuk mengidentifikasi potensi penyakit kardiovaskular berdasarkan data pemeriksaan medis. Kumpulan data yang digunakan memiliki fitur-fitur seperti usia, tekanan darah, kadar kolesterol, status merokok, dan lain lain. Tahapan penelitian meliputi normalisasi dan pembersihan data, analisis data eksploratori (eksplorasi data), pelatihan model XGBoost, optimasi hyperparameter dengan library Optuna, dan evaluasi model berbasis metrik akurasi, presisi, recall, f1-score, dan AUC-ROC. Penelitian ini menghasillan model dengan nilai metrik akurasi sebesar 0.88, presisi sebesar 0.81, recall sebesar 0.96, f1-score sebesar 0.88, dan AUC-ROC sebesar 0.94. Nilai-nilai metrik dari model ini menunjukkan bahwa model bekerja dengan baik dalam mengklasifikasi keberadaan penyakit kardiovaskular. Penelitian ini juga memaparkan tingkat pengaruh dari faktor-faktor risiko terhadap prediksi model. Telah didapatkan bahwa secara berurutan faktor-faktor risiko dari yang paling berpengaruh di urutan tiga teratas, yaitu thal atau Thallium Stress Test (sebuah tes pencitraan untuk melihat aliran darah ke otot jantung di mana nilai dapat merepresentasikan kondisi: 3 = normal, 6 = cacat tetap, 7 = cacat reversibel), ca atau jumlah pembuluh darah utama (0-3) yang terwarnai (tersumbat) berdasarkan tes fluoroskopi, dan cp atau jenis nyeri dada yang dialami pasien (misalnya, angina tipikal, angina atipikal, dll).

Kata kunci— kesehatan, jantung, kardiovaskular, machine learning, xgboost.