Analisis Perbandingan Model Machine Learning untuk Prediksi Penyakit Jantung
Seminar Nasional Teknologi & Sains · 24.01.2026 · 5 (1) · 707-712
DOI: 10.29407/b4yzdb65 ↗Kurz gefasst
Fachartikel in der Zeitschrift Seminar Nasional Teknologi & Sains, online erschienen am 24.01.2026. Verfasst von Juli Sulaksono und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).
Abstract (Originalsprache)
Penyakit jantung merupakan salah satu penyebab utama kematian di dunia yang memerlukan deteksi dini secara akurat. Penelitian ini bertujuan untuk menganalisis dan memprediksi risiko penyakit jantung menggunakan dataset kesehatan publik melalui pendekatan machine learning. Metode yang digunakan melibatkan perbandingan dua algoritma klasifikasi, yaitu Random Forest dan Logistic Regression. Data diproses melalui tahapan pembersihan, pembagian dataset (80:20), serta normalisasi khusus untuk regresi logistik. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memberikan performa sempurna dengan akurasi 100%, sementara Logistic Regression menghasilkan akurasi sebesar 87,80%. Penelitian ini menyimpulkan bahwa Random Forest lebih unggul dalam menangkap pola medis yang kompleks, sementara Logistic Regression unggul dalam aspek interpretabilitas koefisien fitur.
Zitieren
APA
Sulaksono, J., Pamungkas, D. P., & Widodo, D. W. (2026). Analisis Perbandingan Model Machine Learning untuk Prediksi Penyakit Jantung. Seminar Nasional Teknologi & Sains, 5(1), 707-712. https://doi.org/10.29407/b4yzdb65
Vancouver
Sulaksono J, Pamungkas DP, Widodo DW. Analisis Perbandingan Model Machine Learning untuk Prediksi Penyakit Jantung. Seminar Nasional Teknologi & Sains. 2026;5(1):707-712. doi:10.29407/b4yzdb65
BibTeX
@article{Sulaksono2026,
author = {Sulaksono, Juli and Pamungkas, Danar Putra and Widodo, Danang Wahyu},
title = {Analisis Perbandingan Model Machine Learning untuk Prediksi Penyakit Jantung},
journal = {Seminar Nasional Teknologi & Sains},
year = {2026},
volume = {5},
number = {1},
pages = {707--712},
doi = {10.29407/b4yzdb65}
}
EUVIMED