Komparasi Kinerja Algoritma Random Forest dan Decision Tree dalam Klasifikasi Penyakit Jantung

Abstract

Penyakit jantung masih menjadi penyakit yang merenggut banyak nyawa, sehingga sangat penting untuk menemukan cara yang lebih cepat dan akurat dalam mendiagnosisnya. Perkembangan pesat dalam pembelajaran mesin kini membuka peluang untuk memanfaatkan berbagai algoritma klasifikasi guna memprediksi penyakit jantung berbekal data medis pasien. Studi ini berupaya membandingkan efektivitas algoritma Decision Tree dan Random Forest dalam mengklasifikasikan penyakit jantung dengan memanfaatkan kumpulan data Penyakit Jantung. Tahapan penelitian mencakup pengumpulan data, pembersihan dan penataan data awal, penjelajahan data (EDA), pembagian data menjadi set pelatihan dan pengujian, pelatihan model, serta penilaian kinerja melalui Confusion Matrix dan perhitungan tingkat akurasi. Berdasarkan evaluasi, algoritma Decision Tree mencapai tingkat akurasi 93,44% pada data pelatihan dan 87,34% pada data pengujian. Analisis Confusion Matrix untuk model ini mencatat 123 kasus True Negative, 146 True Positive, 27 False Positive, dan 12 False Negative. Sementara itu, algoritma Random Forest tampil lebih superior dengan akurasi pelatihan 99,02% dan akurasi pengujian 97,73%. Confusion Matrix untuk Random Forest mencatat 147 True Negative, 154 True Positive, 3 False Positive, dan 4 False Negative. Temuan ini menunjukkan bahwa Random Forest menawarkan akurasi yang lebih baik dan mengurangi kesalahan prediksi dibandingkan dengan Decision Tree. Hal ini mengindikasikan bahwa Random Forest lebih handal dalam mengidentifikasi pola data yang berkaitan dengan penyakit jantung dan lebih baik dalam menggeneralisasi hasilnya. Dengan demikian, algoritma Random Forest direkomendasikan sebagai pendekatan yang lebih efektif untuk klasifikasi penyakit jantung karena kemampuannya memberikan prediksi yang lebih akurat dan stabil.