Model Machine Learning yang Dioptimalkan untuk Prediksi Penyakit Jantung Menggunakan R Shiny
Abstrak
Penyakit jantung terus menjadi kontributor utama kematian global, yang menyoroti pentingnya deteksi dini dalam meningkatkan luaran pasien. Peningkatan ketersediaan dataset klinis terstruktur telah memungkinkan penerapan sistem cerdas untuk prediksi risiko dan dukungan diagnostik. Dalam makalah ini, efektivitas tiga algoritma pembelajaran terawasi (supervised learning)—Random Forest (RF), Support Vector Machine (SVM), dan Decision Tree (DT)—dievaluasi untuk tugas prediksi penyakit jantung. Investigasi ini didasarkan pada dataset Heart Failure Prediction yang bersumber dari platform Kaggle. Proses pelatihan untuk setiap model melibatkan validasi silang 10-lipatan (10-fold cross-validation), dengan hiperparameter yang kemudian dioptimalkan menggunakan pencarian grid (grid search). Efikasi model diukur berdasarkan tolok ukur klasifikasi standar, mencakup akurasi, sensitivitas, spesifisitas, dan area di bawah kurva ROC (AUC). Model Random Forest muncul sebagai yang paling efektif, menunjukkan kinerja unggul dengan AUC sebesar 0,9517, sensitivitas 81,18%, dan spesifisitas 90,44%. Untuk memfasilitasi penggunaan klinis, model ini kemudian diintegrasikan ke dalam alat web ramah pengguna yang dibangun dengan kerangka kerja R Shiny. Antarmuka ini memungkinkan pengguna untuk memasukkan data klinis tingkat pasien dan memperoleh prediksi waktu-nyata (real-time), beserta visualisasi kepentingan fitur dan probabilitas risiko. Implementasi ini menjembatani kesenjangan antara pengembangan algoritma dan aplikasi praktis, menawarkan alat pendukung keputusan yang mudah digunakan untuk skrining awal penyakit jantung. Temuan ini menegaskan bahwa model machine learning, ketika dioptimalkan dan divalidasi dengan benar, dapat berfungsi sebagai alat yang efektif dan dapat diinterpretasikan dalam pengambilan keputusan klinis. Karya ini berkontribusi pada kemajuan e-health dan integrasi model berbasis AI ke dalam alur kerja medis
Identifier
- DOI: https://doi.org/10.53863/kst.v8i01.1994
- OpenAlex: https://openalex.org/W7167262094