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.
