Komparasi Algoritma KNN dan Random Forest untuk Diagnosa Penyakit Jantung Koroner (Studi Kasus: RSUD Dr. Soeselo Slawi)

Ahmad Miftakhudin; Nugroho Adhi Santoso; Bayu Aji Santoso

doi:10.31004/riggs.v4i3.2424

Authors

Ahmad Miftakhudin STMIK YMI TEGAL
Nugroho Adhi Santoso STMIK YMI TEGAL
Bayu Aji Santoso STMIK YMI TEGAL

DOI:

https://doi.org/10.31004/riggs.v4i3.2424

Keywords:

Penyakit Jantung Koroner, Machine Learning, K-Nearest Neighbors (KNN), Random Forest, Diagnosis Medis

Abstract

Penyakit jantung koroner (PJK) merupakan salah satu penyebab utama kematian di Indonesia, sehingga deteksi dini menjadi aspek krusial dalam upaya mencegah komplikasi dan meningkatkan efektivitas intervensi medis. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua algoritma machine learning, yaitu K-Nearest Neighbors (KNN) dan Random Forest, dalam klasifikasi diagnosis penyakit jantung koroner berdasarkan data rekam medis pasien RSUD Dr. Soeselo Slawi. Metodologi penelitian meliputi tahapan preprocessing data, transformasi fitur kategorikal, normalisasi, pembagian data dengan rasio 80:20, serta pelatihan dan evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa lebih unggul dengan akurasi sebesar 84.00%, precision 84.02%, recall 84.00%, dan F1-score 83.97%. Sementara K-Nearest Neighbors (KNN) memperoleh akurasi 82.00% dengan nilai evaluasi yang sedikit lebih rendah. Pengujian tambahan menggunakan K-Fold Cross Validation menunjukkan bahwa Random Forest lebih stabil terhadap variasi data, dengan akurasi tertinggi 84.80% pada fold ke-4. Penelitian ini juga melakukan pembagian data dengan rasio (60:40, 70:30, dan 90:10). Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai algoritma terbaik untuk implementasi sistem pendukung keputusan medis dalam diagnosis penyakit jantung koroner. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan teknologi kesehatan berbasis kecerdasan buatan yang lebih akurat, efisien, dan dapat diandalkan di lingkungan rumah sakit.

Downloads

Download data is not yet available.

References

F. R. Muharram et al., “The 30 Years of Shifting in The Indonesian Cardiovascular Burden—Analysis of The Global Burden of Disease Study,” J Epidemiol Glob Health, vol. 14, no. 1, pp. 193–212, Mar. 2024, doi: 10.1007/s44197-024-00187-8.

N. Nasution, M. A. Hasan, and F. Bakri 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, pp. 140–150, Apr. 2025, doi: 10.25299/itjrd.2025.17941.

M. Hajiarbabi, “Heart disease detection using machine learning methods: a comprehensive narrative review,” Jun. 30, 2024, AME Publishing Company. doi: 10.21037/jmai-23-152.

Petra Valentino and Siska Narulita, “Performansi Algoritma Decision Tree (C4.5) untuk Prediksi Penyakit Jantung,” Jurnal Cakrawala Informasi, vol. 3, no. 2, pp. 18–24, Dec. 2023, doi: 10.54066/jci.v3i2.349.

M. A. Khan et al., “Optimal feature selection for heart disease prediction using modified Artificial Bee colony (M-ABC) and K-nearest neighbors (KNN),” Sci Rep, vol. 14, no. 1, Dec. 2024, doi: 10.1038/s41598-024-78021-1.

D. Haganta Depari et al., “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” JURNAL INFORMATIK Edisi ke, vol. 18, p. 2022, doi: https://doi.org/10.52958/iftk.v18i3.4694.

N. Marito Putry and B. Nurina Sari, “KOMPARASI ALGORITMA KNN DAN NAÏVE BAYES UNTUK KLASIFIKASI DIAGNOSIS PENYAKIT DIABETES MELITUS,” Jurnal Sains dan Manajemen, vol. 10, no. 1, 2022, doi: https://doi.org/10.31294/evolusi.v10i1.12514.

S. E. M. Purba, “A Comparative Study of Drug Prediction Models using KNN, SVM, and Random Forest,” Journal of Information Systems and Informatics, vol. 7, no. 1, pp. 378–392, Mar. 2025, doi: 10.51519/journalisi.v7i1.1013.

B. D. Shivahare et al., “Delving into Machine Learning’s Influence on Disease Diagnosis and Prediction,” Open Public Health J, vol. 17, no. 1, May 2024, doi: 10.2174/0118749445297804240401061128.

A. Carolina Wibowo, S. Ardi Lestari, S. Informasi, F. Ilmu Komputer, and U. Duta Bangsa Surakarta, “ANALISIS PENGGUNAAN MACHINE LEARNING DALAM KLASIFIKASI PENENTUAN PENYAKIT JANTUNG,” vol. 9, no. 2, 2024, doi: https://doi.org/10.51876/simtek.v9i2.395.

K. Sumwiza, C. Twizere, G. Rushingabigwi, P. Bakunzibake, and P. Bamurigire, “Enhanced cardiovascular disease prediction model using random forest algorithm,” Inform Med Unlocked, vol. 41, Jan. 2023, doi: 10.1016/j.imu.2023.101316.

H. Kamal et al., “Heart Disease Prediction Using Machine Learning,” in 2024 2nd DMIHER International Conference on Artificial Intelligence in Healthcare, Education and Industry, IDICAIEI 2024, Institute of Electrical and Electronics Engineers Inc., 2024. doi: 10.1109/IDICAIEI61867.2024.10842908.

M. J. J. Ghrabat et al., “Utilizing Machine Learning for the Early Detection of Coronary Heart Disease,” Engineering, Technology and Applied Science Research, vol. 14, no. 5, pp. 17363–17375, Oct. 2024, doi: 10.48084/etasr.8171.

A. A. Ahmad and H. Polat, “Prediction of Heart Disease Based on Machine Learning Using Jellyfish Optimization Algorithm,” Diagnostics, vol. 13, no. 14, Jul. 2023, doi: 10.3390/diagnostics13142392.

M. Radhi, D. Ryan Hamonangan Sitompul, S. Hamonangan Sinurat, and E. Indra, “ANALISIS BIG DATA DENGAN METODE EXPLORATORY DATA ANALYSIS (EDA) DAN METODE VISUALISASI MENGGUNAKAN JUPYTER NOTEBOOK,” Jurnal Sistem Informasi dan Ilmu Komputer Prima, vol. 4, no. 2, 2021, doi: https://doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v4i2.2475.