IMPLEMENTASI GRADIENT BOOSTING MACHINE UNTUK MENDETEKSI PENYAKIT JANTUNG

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di tingkat global dan menjadi ancaman kesehatan yang serius di Indonesia. Keterbatasan akses dan biaya tinggi seringkali menjadi penghambat dalam upaya deteksi dini. Penelitian ini bertujuan untuk mengimplementasikan algoritma Gradient Boosting Machine (GBM) guna membangun model klasifikasi risiko penyakit jantung, serta merancang sistem prediksi berbasis web yang dapat diakses oleh masyarakat umum sebagai alat bantu deteksi dini non-diagnostik. Metode penelitian mencakup beberapa tahapan utama, mulai dari akuisisi dan pra-pemrosesan data sekunder dari platform Kaggle, pelatihan model GBM dengan optimasi hyperparameter menggunakan Grid Search, hingga implementasi model ke dalam sistem terintegrasi. Sistem ini dikembangkan dengan arsitektur frontend (HTML, PHP, MySQL) dan backend (Python, Flask) yang terhubung melalui REST API. Hasil evaluasi model menunjukkan performa yang sangat tinggi dengan akurasi global mencapai 98,54%. Secara spesifik, model ini berhasil mencapai nilai Recall 1.0000 untuk kelas "Sakit Jantung", yang berarti mampu mengidentifikasi seluruh kasus positif tanpa ada yang terlewat, dan nilai Precision 1.0000 untuk kelas "Sehat". Penelitian ini berhasil menghasilkan sebuah sistem prediksi fungsional yang tidak hanya akurat tetapi juga praktis, dilengkapi antarmuka ramah pengguna untuk publik dan dasbor komprehensif bagi admin untuk mengelola model dan konten edukasi secara mandiri.