IMPLEMENTASI MODEL SUPPORT VECTOR MACHINE UNTUK DETEKSI DINI RISIKO PENYAKIT JANTUNG BERDASARKAN PARAMETER MEDIS PASIEN

Abstract

Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia sehingga diperlukan sistem prediksi yang mampu membantu proses deteksi dini. Penelitian ini dilakukan untuk menerapkan algoritma Support Vector Machine (SVM) dalam mengklasifikasikan kondisi pasien apakah berisiko sakit jantung atau tidak. Metode penelitian meliputi pra-pemrosesan data, pembagian data latih dan uji, pembangunan model SVM menggunakan kernel RBF, serta evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model baseline menghasilkan akurasi sebesar 0.6667, sedangkan untuk metrik precision, recall, dan F1-score, model hanya berhasil melakukan prediksi pada kelas negatif (tidak sakit jantung) dengan nilai precision 0.6667, recall 1.000, dan F1-score 0.8000. Sebaliknya, model gagal mendeteksi kelas positif (sakit jantung), ditunjukkan oleh nilai 0.000 pada ketiga metrik tersebut. Temuan ini menunjukkan bahwa SVM dengan konfigurasi awal belum mampu memberikan performa yang optimal, terutama pada kelas minoritas. Secara keseluruhan, penelitian ini menyimpulkan bahwa ketidakseimbangan data dan ukuran sampel yang kecil menjadi faktor utama yang menurunkan akurasi model, sehingga diperlukan peningkatan melalui perluasan dataset atau teknik penyeimbangan kelas pada penelitian selanjutnya.