Prediksi Penyakit Jantung Menggunakan Random Forest dengan Perbandingan Teknik Resampling dan Interpretasi Model Berbasis SHAP

Adrian Partogi Pietersz, Vincent (2026) Prediksi Penyakit Jantung Menggunakan Random Forest dengan Perbandingan Teknik Resampling dan Interpretasi Model Berbasis SHAP. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (696kB)
	PDF BAB_I.pdf Download (219kB)
	PDF BAB_II.pdf Download (248kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (340kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (809kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (207kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (802kB)
	Archive (ZIP) 00000056900_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia sehingga deteksi dini sangat diperlukan untuk meningkatkan peluang keberhasilan pengobatan. Penelitian ini membandingkan kinerja teknik resampling SMOTE, SMOTE-ENN, dan SMOTE-Tomek pada algoritma Random Forest untuk klasifikasi penyakit jantung menggunakan dataset gabungan dari UCI Heart Disease Repository. Dataset yang digunakan berasal dari empat sumber, yaitu Cleveland, Hungarian, Switzerland, dan VA Long Beach dengan total 920 data. Tahap prapemrosesan meliputi penanganan missing value menggunakan imputasi median dan modus, transformasi data kategorikal menggunakan one-hot encoding, serta normalisasi data. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan AUC-ROC dengan skema Stratified 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa teknik SMOTE menghasilkan performa terbaik dengan nilai rata-rata accuracy sebesar 82,93%, precision sebesar 84,05%, recall sebesar 85,47%, F1-score sebesar 84,71%, dan AUC-ROC sebesar 89,02%. Selain itu, interpretasi model menggunakan SHAP menunjukkan bahwa fitur cp, thalach, oldpeak, ca, dan exang merupakan faktor yang paling berpengaruh terhadap prediksi penyakit jantung. Dengan demikian, kombinasi Random Forest dan SMOTE mampu menghasilkan model klasifikasi yang akurat pada data tidak seimbang, sedangkan SHAP memberikan interpretasi yang transparan sehingga dapat mendukung pengambilan keputusan dalam bidang kesehatan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Adrian Partogi Pietersz, Vincent (00000056900)
Contributors:	Afriliana, Nunik
Keywords:	Explainable Artificial Intelligence, Klasifikasi Penyakit Jantung, Random Forest, SHAP, SMOTE
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 11:58
URI:	https://kc.umn.ac.id/id/eprint/48311

Actions (login required)

View Item