Publisher

PLBPLB

Journal TEMATIKTEMATIK Abstract

Kesehatan adalah keadaan sejahtera secara fisik, mental, dan sosial yang memungkinkan setiap individu dapat menjalani kehidupan secara produktif. Di antara berbagai dimensi kesehatan, kesehatan fisik menjadi aspek yang paling fundamental karena berperan penting dalam menjaga kualitas hidup manusia. Salah satu indikator penting dalam kesehatan fisik adalah fungsi jantung, sehingga deteksi dini terhadap risiko gagal jantung menjadi krusial untuk mencegah kondisi klinis yang lebih berat. Penelitian ini bertujuan mengembangkan model prediksi gagal jantung menggunakan pendekatan Machine Learning dengan membandingkan tiga algoritma, yaitu Random Forest, Logistic Regression, dan Decision Tree. Dataset medis pasien penderita gagal jantung digunakan sebagai objek analisis untuk mengevaluasi performa model berdasarkan metrik akurasi, precision, recall, f1-score, dan AUC. Hasil penelitian menunjukkan bahwa Random Forest merupakan algoritma dengan performa terbaik dengan nilai akurasi 0,8334, precision 0,8125, recall 0,793, f1-score 0,8015, dan AUC 0,90. Selanjutnya, interpretabilitas model terbaik dianalisis menggunakan metode SHAP dan LIME untuk menjelaskan kontribusi variabel terhadap prediksi. Metode SHAP mengidentifikasi variabel time, serum creatinine, ejection fraction, dan age sebagai faktor paling berpengaruh secara global, sedangkan LIME memberikan penjelasan lokal yang konsisten, terutama menyoroti serum creatinine sebagai indikator kuat peningkat risiko kematian. Penelitian ini menunjukkan bahwa model prediktif yang akurat, dipadukan dengan metode interpretabilitas, mampu memberikan pemahaman yang transparan mengenai faktor risiko gagal jantung. Temuan ini dapat mendukung tenaga medis dalam pengambilan keputusan klinis berbasis data dan meningkatkan ketepatan diagnosis.

Conclusion

Penelitian ini berhasil menemukan bahwa algoritma Random Forest merupakan algoritma terbaik dalam memprediksi gagal jantung, dengan akurasi 0.Analisis interpretabilitas menggunakan SHAP menunjukkan bahwa variabel time, serum creatinine, ejection fraction, dan age memiliki pengaruh signifikan terhadap risiko gagal jantung.Hasil LIME menegaskan bahwa serum creatinine merupakan indikator kuat peningkatan risiko kematian pada kasus individual, memberikan pemahaman yang lebih mendalam bagi tenaga medis dalam pengambilan keputusan klinis.

Future Research

Berdasarkan temuan penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, penelitian lebih lanjut dapat dilakukan dengan mengintegrasikan data dari berbagai sumber, seperti rekam medis elektronik, data genetik, dan data gaya hidup, untuk meningkatkan akurasi dan komprehensifitas model prediksi gagal jantung. Kedua, eksplorasi algoritma machine learning yang lebih canggih, seperti deep learning, dapat dilakukan untuk mengidentifikasi pola-pola kompleks yang mungkin tidak terdeteksi oleh algoritma tradisional. Ketiga, pengembangan sistem pendukung keputusan klinis berbasis machine learning yang terintegrasi dengan alur kerja klinis dapat membantu tenaga medis dalam memberikan perawatan yang lebih personal dan efektif kepada pasien gagal jantung. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan kualitas hidup pasien gagal jantung dan mengurangi beban penyakit kardiovaskular secara global. Pengembangan sistem ini perlu mempertimbangkan aspek keamanan data dan privasi pasien, serta memastikan bahwa model yang digunakan dapat diinterpretasikan dan dipercaya oleh tenaga medis.

References

1. A Comparative Analysis of Machine Learning Models for the Classification of Heart Failure Patients in... doi.org/10.2174/0123520965312805240506113451A Comparative Analysis of Machine Learning Models for the Classification of Heart Failure Patients in doi 10 2174 0123520965312805240506113451
2. Klasifikasi Aktivitas Pengguna yang Berpotensi Menyebabkan Kebocoran Informasi Sensitif Menggunakan Algoritma... doi.org/10.38204/tematik.v12i1.2325Klasifikasi Aktivitas Pengguna yang Berpotensi Menyebabkan Kebocoran Informasi Sensitif Menggunakan Algoritma doi 10 38204 tematik v12i1 2325
3. The Use of Machine Learning for the Care of Hypertension and Heart Failure | JACC: Asia. machine learning... linkinghub.elsevier.com/retrieve/pii/S2772374721000740The Use of Machine Learning for the Care of Hypertension and Heart Failure JACC Asia machine learning linkinghub elsevier retrieve pii S2772374721000740

Metadata

File size	459.97 KB
Pages	9
DMCA	Report