Klasifikasi Penyakit Jantung Berdasarkan Algoritma Random Forest pada Dataset Heart Disease

Yeheskiel Ravena Damanik; Albert Adolf Angie MS; Esther Laura Rumahorbo; Elisabeth Jessica Sitanggang

doi:10.31004/riggs.v5i2.12186

Authors

Yeheskiel Ravena Damanik Universitas HKBP Nommensen Pematang Siantar
Albert Adolf Angie MS Universitas HKBP Nommensen Pematang Siantar
Esther Laura Rumahorbo Universitas HKBP Nommensen Pematang Siantar
Elisabeth Jessica Sitanggang Universitas HKBP Nommensen Pematang Siantar

DOI:

https://doi.org/10.31004/riggs.v5i2.12186

Keywords:

Data Mining, Random Forest, Klasifikasi Penyakit Jantung, Orange Data Mining, Heart Disease

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia dan menjadi masalah kesehatan yang memerlukan deteksi dini secara cepat serta akurat untuk mengurangi risiko komplikasi maupun kematian. Seiring berkembangnya teknologi, penerapan data mining dalam bidang kesehatan dapat dimanfaatkan untuk membantu proses klasifikasi penyakit berdasarkan data medis pasien. Penelitian ini bertujuan untuk mengimplementasikan algoritma Random Forest dalam mengklasifikasikan penyakit jantung menggunakan dataset Heart Disease yang terdiri dari 918 data dengan berbagai atribut klinis yang berhubungan dengan kondisi pasien. Proses pengolahan data dilakukan menggunakan perangkat lunak Orange Data Mining melalui beberapa tahapan, yaitu pemuatan dataset, seleksi atribut, pembagian data menjadi data latih dan data uji, pembangunan model klasifikasi, serta evaluasi kinerja model menggunakan Test & Score dan Confusion Matrix. Evaluasi dilakukan untuk mengetahui kemampuan model dalam mengklasifikasikan pasien yang terindikasi maupun tidak terindikasi penyakit jantung berdasarkan nilai prediksi yang dihasilkan. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu memberikan performa klasifikasi yang baik dengan tingkat akurasi yang tinggi serta mampu mengenali kelas positif dan kelas negatif secara efektif berdasarkan hasil evaluasi. Hal ini menunjukkan bahwa algoritma Random Forest memiliki potensi yang baik untuk diterapkan sebagai sistem pendukung keputusan dalam proses identifikasi awal penyakit jantung. Penelitian ini diharapkan dapat menjadi referensi bagi penelitian selanjutnya dalam pengembangan model klasifikasi berbasis data mining pada bidang kesehatan guna meningkatkan efektivitas dan efisiensi proses deteksi penyakit jantung.

Downloads

Download data is not yet available.

References

[1] G. Narasimhan and A. Victor, “A Hybrid Approach with Metaheuristic Optimization and Random Forest in Improving Heart Disease Prediction,” Scientific Reports, vol. 15, 2025. doi: 10.1038/s41598-024-73867-x.

[2] S. N. Khofiyah and A. P. Kuncoro, “Heart Disease Prediction Using Random Forest Algorithm and Synthetic Minority Oversampling Technique (SMOTE),” Komputa: Jurnal Ilmiah Komputer dan Informatika, vol. 14, no. 1, 2025. doi: 10.34010/komputa.v14i1.14678.

[3] F. Felix, D. Sitanggang, Y. Laia, A. Amalia, M. Radhi, and E. S. Barus, “Application of Data Mining Using the Random Forest Method to Predict Heart Disease,” Jurnal Sistem Informasi dan Ilmu Komputer, vol. 7, no. 2, pp. 35–47, 2024. doi: 10.34012/jurnalsisteminformasidanilmukomputer.v7i2.4801.

[4] A. Alariyibi, M. El-Jarai, and A. Maatuk, “Evaluating the Accuracy of Classification Algorithms for Detecting Heart Disease Risk,” International Journal of Advanced Computer Science and Applications, 2023.

[5] N. Nasution, M. A. Hasan, and F. B. Nasution, “Predicting Heart Disease Using Machine Learning: An Evaluation of Logistic Regression, Random Forest, SVM, and KNN Models on the UCI Heart Disease Dataset,” IT Journal Research and Development, vol. 9, no. 2, 2025. doi: 10.25299/itjrd.2025.17941.

[6] M. Al Amin, A. Rahman, and M. Iqbal, “Performance Evaluation of Machine Learning Algorithms Using Orange Data Mining,” CogITo Smart Journal, vol. 11, no. 1, 2025. doi: 10.31154/cogito.v11i1.782.80-90.

[7] A. Soumya and A. Itten, “Heart Disease Prediction Using Random Forest Algorithm: A Comprehensive Analysis,” International Journal of Engineering Research and Science & Technology, vol. 21, no. 2, 2025. doi: 10.62643/ijerst.2025.v21.i2.p119-123.

[8] N. K. Al-Waeli et al., “Early Detection of Heart Disease Using a Random Forest Classifier on the UCI Heart Disease Dataset,” International Journal of Computer Applications, vol. 187, no. 67, 2025. doi: 10.5120/ijca2025926161.

[9] S. Rimal et al., “Artificial Intelligence-Based Heart Disease Prediction Using Ensemble Learning Techniques,” Scientific Reports, vol. 15, 2025. doi: 10.1038/s41598-025-93675-1.

[10] G. Narasimhan and A. Victor, "A Hybrid Approach with Metaheuristic Optimization and Random Forest in Improving Heart Disease Prediction," Scientific Reports, vol. 15, 2025.

[11] F. Felix et al., "Application of Data Mining Using the Random Forest Method to Predict Heart Disease," Jurnal Sistem Informasi dan Ilmu Komputer, vol. 7, no. 2, 2024.

[12] N. Nasution et al., "Predicting Heart Disease Using Machine Learning," IT Journal Research and Development, vol. 9, no. 2, 2025.

[13] S. N. Khofiyah and A. P. Kuncoro, "Heart Disease Prediction Using Random Forest Algorithm and SMOTE," Komputa, vol. 14, no. 1, 2025.

[14] N. K. Al-Waeli et al., "Early Detection of Heart Disease Using a Random Forest Classifier," International Journal of Computer Applications, vol. 187, no. 67, 2025.

[15] S. Rimal et al., "Artificial Intelligence-Based Heart Disease Prediction Using Ensemble Learning Techniques," Scientific Reports, vol. 15, 2025.