Aplikasi untuk prediksi penyakit jantung

Abstract

Kesehatan merupakan aspek vital yang perlu diperhatikan oleh setiap individu. Berbagai faktor, seperti pola makan buruk, gaya hidup tidak sehat, dan kondisi mental yang tidak stabil dapat berkontribusi terhadap memburuknya kesehatan manusia dan berujung pada penyakit jantung. Penyakit jantung dapat dicegah berdasarkan gejala yang timbul dari pasien dan didiagnosis oleh dokter, tetapi diagnosis dokter membutuhkan pasiennya untuk mengeluarkan biaya, dan biaya tersebut terkadang tidaklah sedikit. Dalam upaya mengurangi biaya yang perlu dikeluarkan pada saat konsultasi dokter, analisis dapat dilakukan menggunakan perangkat lunak berbasis web yang memanfaatkan data medis untuk memprediksi kemungkinan seseorang terkena penyakit jantung. Metode data mining dapat digunakan untuk membantu mengidentifikasi pola-pola kompleks dalam data medis, prediksi penyakit jantung dan memberikan informasi yang berguna untuk ditampilkan pada halaman aplikasi prediksi penyakit jantung. Dilakukan eksplorasi dari data medis tersebut untuk dilakukan pemilihan fitur yang berguna dalam menentukan apakah seseorang memiliki penyakit jantung atau tidak. Pemilihan fitur tersebut dilakukan dengan berbagai teknik seperti statistika, domain knowledge dan expertise. Setelah dilakukan pemilihan fitur, dilakukan pembersihan data seperti menangani missing value dan noisy data. Transformasi data seperti one-hot encoding juga dilakukan agar algoritma tidak salah dalam menginterpretasi data yang dimiliki. Dalam proses membuat model klasifikasi, data yang dimiliki harus sesuai dengan requirement input algoritma yang dipakai. Algoritma klasifikasi yang dipakai meliputi Naive Bayes, Support Vector Machine, Decision Tree dan Random Forest. Nilai dari recall merepresentasikan banyaknya false negative menjadi kunci karena nilai tersebut merupakan jumlah orang yang sebenarnya memiliki penyakit jantung tetapi diprediksi sebagai tidak. Hal tersebut fatal jika terjadi karena dapat menyebabkan kematian. Dilakukan dua tahap penelitian, dimana satu tahapannya berisi dua bagian. Bagian pertama merupakan percobaan keempat buah algoritma dengan hyperparameter default untuk melihat cara kerja algoritma terbaik. Bagian kedua dilakukan percobaan hyperparameter tuning dan cross-validation berdasarkan model terbaik. Tahapan selanjutnya, dilakukan bagian yang sama seperti tahap sebelumnya, yang berbeda hanyalah fitur yang dipakai. Berdasarkan hasil analisis, dapat disimpulkan bahwa faktor umur, jenis kelamin, adanya angina hingga hasil gradien elektrokardiogram pada titik tertinggi, menunjukkan adanya hubungan dengan ketepatan prediksi penyakit jantung. Eksplorasi data dan analisis model memberikan gambaran bahwa setiap faktor tersebut memiliki peran dalam menentukan kecenderungan seseorang untuk memiliki penyakit jantung. Klasifikasi ini hanya akan melihat ya atau tidak penyakit jantung, dan berdasarkan penelitian yang telah dilakukan, aplikasi prediksi penyakit jantung berhasil menentukan seseorang memiliki penyakit jantung dengan tingkat akurasi senilai 76% dan recall senilai 93%. Proses ini dibantu dengan metode data mining yang dimulai dari pengambilan data hingga klasifikasi. Didapatkanlah bahwa algoritma klasifikasi Random Forest dengan hyperparameter yang telah dilakukan tuning merupakan algoritma terbaik dalam melakukan prediksi penyakit jantung. Dalam menampilkan hasil prediksinya, berhasil dibangun perangkat lunak berbasis web yang dapat menerima input kondisi kesehatan, lalu perangkat lunak akan menampilkan hasilnya.