Klasifikasi Risiko Penyakit Jantung Menggunakan Decision Tree: Pengembangan Model Prediktif Melalui Hyperparameter Tuning

Penyakit jantung merupakan isu kesehatan global serius yang memberikan beban signifikan pada sistem kesehatan di seluruh dunia. Pencegahan dan pengelolaan yang efektif memerlukan identifikasi dini dan penilaian risiko yang akurat. Untuk memprediksi risiko penyakit jantung, penelitian ini menyelidiki penggunaan algoritma Decision Tree bersamaan dengan hyperparameter tuning menggunakan metode Grid Search CV. Sumber data utama adalah "Heart Disease Dataset" yang dikumpulkan dari Kaggle. Tujuan dari penelitian ini adalah meningkatkan akurasi dan keandalan model Decision Tree untuk memaksimalkan kinerjanya, memungkinkan para profesional kesehatan membuat keputusan yang dapat dipertanggungjawabkan berdasarkan prediksi risiko yang akurat. Selama tahap pra-pemrosesan data, kolom tambahan dihapus, nilai yang hilang ditangani, dan dataset dinormalisasi menggunakan skala Min-Max. Model Decision Tree mencapai akurasi 98,5% sebelum hyperparameter tuning. Hiperparameter dimodifikasi menggunakan Grid Search CV dengan validasi silang 10 kali, memberikan akurasi yang luar biasa sebesar 100%. Hasil ini menunjukkan kemampuan pengambilan keputusan klinis yang ditingkatkan dan kinerja prediksi yang lebih baik dari model Decision Tree. Penelitian ini menambah pemahaman kita tentang cara menghitung risiko penyakit jantung dan menunjukkan bahwa algoritma Decision Tree dengan hyperparameter tuning memiliki potensi untuk mengubah industri medis. Para profesional medis dapat mengidentifikasi mereka yang berisiko tinggi terkena penyakit jantung dan menerapkan langkah-langkah preventif yang tepat dengan memberikan model prediksi yang akurat dan mudah dipahami. Tujuan utama dari penelitian ini adalah mengurangi biaya global penyakit jantung dan meningkatkan kesehatan umum bagi mereka yang terkena.