Prediksi Gagal Jantung Berbasis Machine Learning Menggunakan Support Vector Machine dan Regresi Logistik

Abstract

Penyakit kardiovaskular (CVD) merupakan penyebab utama kematian global, dan gagal jantung menjadi masalah kesehatan masyarakat yang krusial. Deteksi dini sangat penting untuk mengurangi risiko kematian dini dan meningkatkan kualitas hidup pasien. Penelitian ini mengembangkan model prediksi gagal jantung menggunakan algoritma machine learning, yaitu Regresi Logistik dan Support Vector Machine (SVM), untuk meningkatkan akurasi diagnosis. Dataset yang digunakan mencakup 918 observasi dengan 11 fitur klinis. Hasil penelitian menunjukkan bahwa Regresi Logistik memiliki akurasi 82% dengan precision 0.80, recall 0.85, dan F1-Score 0.82, dengan rata-rata probabilitas prediksi 50%. Sebaliknya, SVM mencapai akurasi 85%, precision 0.82, recall 0.88, dan F1-Score 0.85. Hasil menunjukan bahwa kedua model ini mampu digunakan dalam proses prediksi. Penelitian ini memberikan wawasan tentang penerapan machine learning dalam deteksi dini gagal jantung dan meningkatkan kualitas perawatan kesehatan.