Prediksi Penyakit Jantung Koroner Menggunakan Metode K-NN dan Regresi Logistik Berdasarkan Kerangka Kerja CRISP-DM

Abstract

Penyakit jantung koroner merupakan salah satu penyebab utama kematian di dunia, menyebabkan sekitar 17,8 juta kematian setiap tahun, yang mencakup sekitar 31% dari total kematian global. Penelitian ini bertujuan untuk mengembangkan model prediksi digital untuk penyakit jantung koroner menggunakan algoritma K-Nearest Neighbors (K-NN) dan Regresi Logistik yang diimplementasikan dengan bahasa pemrograman Python. Dataset yang digunakan mencakup sekitar 300.000 data dengan 19 variabel yang meliputi faktor-faktor seperti kondisi kesehatan umum, aktivitas fisik, riwayat merokok, dan konsumsi alkohol. Metode penelitian mengikuti kerangka kerja CRISP-DM yang terdiri dari enam fase: pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Pada tahap persiapan data, dilakukan pembersihan dan pemetaan variabel untuk memastikan data bebas dari nilai kosong dan siap untuk pemodelan. Dua model klasifikasi diterapkan dalam penelitian ini, yakni K-NN dan Regresi Logistik. Evaluasi model dilakukan menggunakan Confusion Matrix dan metrik evaluasi seperti akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model Regresi Logistik lebih unggul dalam memprediksi penyakit jantung koroner dibandingkan K-NN, dengan akurasi 91,8%, presisi 88%, recall 92%, dan F1-score 89%. Model K-NN menunjukkan akurasi 91,5%, presisi 88%, recall 92%, dan F1-score 89%. Implementasi metode prediksi ini diharapkan dapat mendukung deteksi dini dan pengambilan keputusan medis yang lebih tepat, sehingga mengurangi tingkat kematian akibat penyakit jantung koroner. Simpulan penelitian ini adalah bahwa penggunaan algoritma pembelajaran mesin, khususnya Regresi Logistik, efektif dalam memprediksi risiko penyakit jantung koroner dan dapat berkontribusi dalam menurunkan angka kematian global akibat penyakit ini. Penelitian selanjutnya disarankan untuk menambahkan variabel lain yang relevan guna meningkatkan akurasi prediksi.