Deteksi Penyakit Jantung Menggunakan Metode Klasifikasi Decision Tree dan Regresi Logistik

Abstract

Penyakit jantung merupakan salah satu penyakit paling umum dan kritis yang membahayakan kehidupan manusia. Selain diagnosis klinis, pembelajaran mesin dan pendekatan berbasis pembelajaran mendalam sangat penting dalam diagnosis penyakit jantung, seperti decision tree dan regresi logistik. Penelitian ini bertujuan membandingkan kedua metode klasifikasi tersebut untuk mendeteksi adanya penyakit jantung berdasarkan beberapa indikator. Data yang digunakan adalah data penyakit jantung yang dikeluarkan oleh University of California, Irvine (UCI) Machine Learning Repository.  Berdasarkan hasil yang diperoleh, model decision tree yang terbentuk menempatkan variabel thal (tipe detak jantung pasien) sebagai simpul akar, dikarenakan nilai entropy yang paling tinggi. Model decision tree memiliki akurasi terhadap data uji sebesar 75%. Sementara itu, model regresi logistik menempatkan variabel sex, cp_3, slope_1, ca, dan thal_2 sebagai variabel-variabel yang berpengaruh nyata. Model regresi logistik memiliki akurasi terhadap data uji sebesar 87%. Dari akurasi dari kedua model tersebut, regresi logistik lebih akurat untuk mendeteksi adanya penyakit jantung dibandingkan model decision tree.