PERBANDINGAN ALGORITMA LOGISTIC REGRESSION DAN K-NEAREST NEIGHBOR (KNN) DALAM DATASET PREDIKSI GAGAL JANTUNG

Abstract

Penyakit gagal jantung merupakan salah satu penyebab utama kematian di seluruh dunia. Deteksi dini terhadap risiko gagal jantung menjadi krusial untuk meminimalisir dampak serius yang dapat ditimbulkan. Penelitian ini bertujuan untuk membandingkan performa dua algoritma machine learning, yaitu Logistic Regression dan K-Nearest Neighbor (KNN) dalam memprediksi gagal jantung menggunakan dataset dari platform Kaggle. Tahapan penelitian meliputi preprocessing data, normalisasi, pembagian data latih dan uji, serta implementasi model dan evaluasi menggunakan confusion matrix. Evaluasi dilakukan berdasarkan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa Logistic Regression memiliki akurasi sebesar 88,04% dan waktu eksekusi 0,022 detik, sedangkan KNN memperoleh akurasi sebesar 85,51% dan waktu eksekusi 0,158 detik. Logistic Regression unggul dalam recall dan f1 score, menjadikannya lebih efektif untuk deteksi dini gagal jantung. Dengan demikian, algoritma Logistic Regression dinilai lebih optimal dibandingkan KNN dalam konteks penelitian ini. Tetapi algoritma Logistic Regression tidak selalu lebih unggul dari K-Nearest Neighbor, karena hasil prediksi sangat bergantung pada karakteristik studi kasus.