đ
21 November 2025
DOI: 10.51903/ana03n66
Klasifikasi Penyakit Gagal Jantung Mengunakan Metode Decision Tree
JUISI : Jurnal Ilmiah Sistem Informasi
Universitas Sains dan Teknologi Komputer
đ Abstract
Deteksi awal gagal jantung sangat krusial untuk mengurangi angka sakit dan kematian. Metode machine learning, khususnya klasifikasi yang berbasis decision tree, menunjukkan potensi untuk mendukung keputusan medis dengan memisahkan pasien berisiko menggunakan variabel klinis yang biasa. Tujuan penelitian ini adalah untuk merancang dan menilai model Decision Tree dalam mengklasifikasikan pasien dengan gagal jantung menggunakan data klinis yang bersifat publik. Langkah-langkah dalam penelitian mencakup preprocessing (mengatasi nilai yang hilang, normalisasi, dan pemilihan fitur), pelatihan dengan stratified k-fold cross-validation, serta penilaian menggunakan metrik accuracy, precision, recall, F1-score, dan AUC. Hasil dari eksperimen menunjukkan bahwa Decision Tree yang dioptimalkan memberikan performa yang kompetitif serta keunggulan dalam interpretabilitas melalui aturan keputusan yang jelas. Sumbangan penelitian ini meliputi (1) pipeline yang dapat direproduksi untuk klasifikasi gagal jantung (heart failure), (2) kumpulan aturan yang mendukung skrining klinis heuristik, dan (3) perbandingan empiris terhadap metode machine learning lainnya. Temuan ini menunjukkan bahwa Decision Tree dapat menjadi alat skrining awal yang efektif, terutama di tempat dengan keterbatasan sumber daya.
đ Keywords
#Heart Failure Classification; Machine Learning; Decision Tree; Interpretability; Clinical Screening; Decision Tree; Klasifikasi Gagal Jantung; Pembelajaran Mesin; Interpretabilitas; Skrining Klinis
âšī¸ Informasi Publikasi
Tanggal Publikasi
21 November 2025
Volume / Nomor / Tahun
Volume 4, Nomor 3, Tahun 2025
đ HOW TO CITE
Fatah, Zaehol ; Atreji, Reza ; Fatah, Zaehol ; Atreji, Reza, "Klasifikasi Penyakit Gagal Jantung Mengunakan Metode Decision Tree," JUISI : Jurnal Ilmiah Sistem Informasi, vol. 4, no. 3, Nov. 2025.
ACM
ACS
APA
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Download Citation
0
Sitasi
Cek Google Scholar