Prediksi Risiko Penyakit Jantung Menggunakan Random Forest dengan Pendekatan Interpretabilitas Shap (Shapley Additive Explanations) (Studi Kasus : Pasien di Rumah Sakit Zheen, Erbil, Irak periode Januari 2019 – Mei 2019)

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, termasuk di Indonesia. Serangan jantung dapat terjadi secara tiba-tiba, sering kali tanpa gejala yang jelas, sehingga kewaspadaan dini sangat diperlukan. Penelitian ini bertujuan untuk mengembangkan model prediksi risiko penyakit jantung menggunakan algoritma Random Forest (RF) berdasarkan data medis pasien. Dataset yang digunakan mencakup variabel seperti usia, jenis kelamin, detak jantung, tekanan darah sistolik, tekanan darah diastolik, kadar gula darah, CK-MB, dan troponin. Data diperoleh dari Rumah Sakit Zheen, Erbil, Irak, periode Januari 2019 hingga Mei 2019 dari website Mendeley Data. Model RF dibangun dengan hyperparameter optimal dan dievaluasi menggunakan metrik F1-score untuk mengukur akurasi prediksi. Selain itu, interpretabilitas model dilakukan menggunakan teknik SHAP untuk memahami kontribusi variabel terhadap risiko penyakit jantung. Hasil menunjukkan bahwa model RF pada data SMOTE memberikan performa terbaik dengan F1-score sebesar 99,69% pada pelatihan, 99,28% pada validasi, dan 99,39% pada pengujian. Peningkatan ini menunjukkan kemampuan model dalam mengenali pola dari data minoritas dan menghasilkan prediksi yang lebih seimbang. Nilai ini menunjukkan bahwa model sangat akurat dan seimbang dalam melakukan prediksi. Selain itu, fitur Troponin, CK-MB, dan Usia terbukti memberikan pengaruh paling besar dalam menentukan risiko penyakit jantung, sementara fitur lain seperti tekanan darah, detak jantung, kadar gula darah, dan jenis kelamin memiliki kontribusi yang lebih kecil terhadap hasil prediksi.