Algoritme Stacking Untuk Klasifikasi Penyakit Jantung Pada Dataset Imbalanced Class

Abstract

Berdasarkan data Riset Kesehatan Dasar (Riskesdas) tahun 2018, angka kejadian penyakit jantung dan pembuluh darah semakin meningkat dari tahun ke tahun. Setidaknya, 15 dari 1000 orang, atau sekitar 2.784.064 individu di Indonesia menderita penyakit jantung. Data mining merupakan bidang yang dapat menjadi solusi untuk digunakan sebagai alat deteksi dini penyakit jantung. Pada penelitian yang dilakukan sebelumnya mayoritas menggunakan single classifier , hal ini akan menimbulkan sebuah permasalahan baru ketika dalam dataset penyakit terdapat ketidakseimbangan kelas. Keberadaan ketidakseimbangan tersebut dapat menyebabkan kinerja single classifier menjadi tidak maksimal. Oleh karena itu pada penelitian ini akan digunakan metode ensemble atau meta learning . Berdasarkan pengujian yang dilakukan menunjukkan bahwa algoritme stacking mampu menghasilkan kinerja dari sisi akurasi TPR, TNR, G-Mean dan AUC yang lebih baik dibandingkan single classifier lainnya. Dengan adanya peningkatan nilai tersebut diharapkan penelitian ini mampu menjadi referensi untuk pengembagan berbagai sistem yang mendukung dan memaksimalkan tingkat keberhasilan proses deteksi dini penyakit jantung menggunakan data mining.