UMMATUMMAT

Technology, Health, and Agriculture Nexus: Conference SeriesTechnology, Health, and Agriculture Nexus: Conference Series

Gagal jantung adalah salah satu penyebab utama dalam kematian yang membutuhkan deteksi dini agar penanganannya bisa dilakukan lebih cepat. Penelitian ini membandingkan performa algoritma Decision Tree dan Random Forest dalam memprediksi gagal jantung menggunakan dataset dari Kaggle. Dalam tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, klasifikasi, serta evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi (77%) dibandingkan Decision Tree (73%), sehingga lebih unggul dalam mengenali pola secara keseluruhan. Namun, Decision Tree lebih unggul dalam mendeteksi pasien yang benar-benar mengalami gagal jantung, dengan precision 76% dan recall 52%, dibandingkan Random Forest yang hanya mencapai precision 50% dan recall 29%. Meskipun Random Forest lebih akurat secara umum, Decision Tree lebih baik dalam mengenali pasien yang berisiko tinggi. Hasil penelitian ini menunjukkan bahwa penerapan algoritma machine learning dapat membantu tenaga medis mengidentifikasi pasien berisiko lebih awal, sehingga dapat mengambil tindakan lebih cepat dan membantu menekan angka kematian akibat gagal jantung.

Penelitian ini membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi gagal jantung menggunakan dataset Kaggle.Hasil menunjukkan Random Forest memiliki akurasi 77% yang lebih tinggi daripada Decision Tree 73%, namun Decision Tree lebih unggul dalam memdeteksi pasien berisiko tinggi.Secara keseluruhan, model Random Forest lebih stabil dan dapat membantu tenaga medis mengidentifikasi pasien secepatnya untuk menurunkan angka kematian.

Berinovasi dengan menambahkan penjelasan interpretabilitas menggunakan teknik SHAP agar tenaga medis dapat memahami faktor apa yang memengaruhi prediksi gagal jantung. Selanjutnya, perlu memverifikasi model pada data multisumber dan populasi yang lebih luas untuk menilai kemampuan generalisasi model secara klinis. Terakhir, lakukan perbandingan dengan algoritma ensemble terbaru seperti XGBoost atau CatBoost, serta pertimbangkan integrasi data non-clinical seperti pencitraan medis, guna meningkatkan akurasi identifikasi risiko yang lebih tinggi, yaitu. Dengan demikian, perbaikan secara berkelanjutan dapat menghasilkan model yang lebih handal dan relevan bagi praktek kesehatan.

  1. #random forest#random forest
  2. #decision tree#decision tree
Read online
File size603.28 KB
Pages10
Short Linkhttps://juris.id/p-2gL
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test