Klasifikasi Penyakit Jantung Menggunakan Metode Synthetic Minority Over-Sampling Technique Dan Random Forest Clasifier

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi penyakit jantung dengan menggabungkan Synthetic Minority Over-sampling Technique (SMOTE) dan algoritma Random Forest Classifier, dengan menggunakan data pasien yang mengalami diagnosis penyakit jantung dan tidak mengalami penyakit jantung. Tahapan awal yang dilakukan yaitu mengatasi masalah ketidakseimbangan kelas dengan mengaplikasikan SMOTE untuk menghasilkan sampel sintetis dari kelas minoritas, lalu dilanjutkan pada proses normalisasi data menggunakan metode min-max normalisasi, setelah itu masuk pada proses klasifikasi menggunakan Random Forest Classifier untuk melatih model dalam melakukan klasifikasi. Hasilnya menunjukkan bahwa pendekatan ini mampu meningkatkan kemampuan model dalam mengidentifikasi kasus penyakit jantung. Evaluasi model menghasilkan akurasi yang lebih baik dibandingkan hasil yang didapatkan pada penelitian yang dilakukan sebelumnya yaitu mencapai akurasi 92%, hasil terbaik ini terjadi peningkatan 2% dari hasil akurasi yang dihasilkan penelitian sebelumnya yaitu 90%.