| dc.description.abstract | Penyakit jantung merupakan salah satu penyebab utama kematian global
dengan estimasi sekitar 19,2 juta kematian setiap tahun, sehingga deteksi dini
menjadi sangat penting dalam upaya pencegahan. Penelitian ini bertujuan untuk
mengembangkan model prediksi risiko penyakit jantung menggunakan pendekatan
Stacking Ensemble berbasis machine learning. Data yang digunakan adalah Heart
Statlog Dataset, yang merupakan gabungan dataset Cleveland, Hungary,
Switzerland, dan Long Beach VA dari UCI Machine Learning Repository, dengan
total 1.190 observasi dan 11 fitur klinis. Metode stacking mengombinasikan
Logistic Regression, Random Forest, dan K-Nearest Neighbor (KNN) sebagai base
learner, serta Logistic Regression sebagai meta-learner. Data penelitian dibagi
menjadi data latih dan data uji dengan proporsi 80:20, di mana pada data latih
diterapkan metode Stratified 5-Fold Cross-Validation untuk menjaga stabilitas dan
generalisasi model. Hasil penelitian menunjukkan bahwa model Stacking Ensemble
mampu menghasilkan performa yang lebih baik dibandingkan model tunggal
dengan hasil evaluasi accuracy sebesar 88,5%, precision sebesar 90,5%, recall
sebesar 89,7%, F1-score sebesar 90,1% serta nilai AUC-ROC sebesar 93,9%. Hasil
tersebut menunjukkan bahwa pendekatan ensemble melalui teknik stacking mampu
meningkatkan kemampuan model dalam mengidentifikasi risiko penyakit jantung
secara lebih akurat dan stabil. Selain itu, hasil analisis faktor klinis menunjukkan
bahwa fitur ST slope, Chest Pain Type, dan Cholesterol memberikan pengaruh
paling besar dalam menentukan risiko penyakit jantung. | en_US |
