MENGOPTIMALKAN PREDIKSI GAGAL JANTUNG DENGAN KOMBINASI SVM DAN FORWARD SELECTION

Authors

  • Verry Riyanto Universitas Bina Sarana Informatika
  • Henny Destiana Universitas Bina Sarana Informatika
  • Titin Prihatin Universitas Bina Sarana Informatika
  • Sugiono Universitas Bina Sarana Informatika
  • Ganda Wijaya Universitas Nusa Mandiri

DOI:

https://doi.org/10.36595/jire.v8i1.1541

Keywords:

Gagal Jantung, Support Vector Machine, Forward Selection, Kernel, Diagnosis Prediktif

Abstract

Gagal jantung merupakan salah satu kondisi kesehatan kritis dengan angka kematian yang terus meningkat, dengan permasalahan yang ada diagnosis tradisional seringkali kurang akurat dan efisien sehingga diperlukan metode diagnosis dini yang lebih presisi dan efisien. Penelitian sebelumnya telah meningkatkan akurasi prediksi dengan berbagai metode namun masih terbatas dalam pemilihan fitur optimal dan efisiensi pemodelan. Oleh karena itu, penelitian ini bertujuan untuk menganalisis kinerja kernel pada algoritma Support Vector Machine (SVM) seperti Dot, Radial, Polynomial dan menganalisis efektivitas Forward Selection (FS) dalam memilih fitur paling signifikan guna mengoptimalkan prediksi risiko gagal jantung. Hasil penelitian menunjukkan bahwa kernel Radial dengan FS memiliki performa terbaik dengan AUC 0.881, Accuracy 84,64%, dan Recall 92,55%. Fitur time dan serum_creatinine terbukti paling signifikan dalam meningkatkan performa model. Penelitian ini membuktikan bahwa kombinasi antara SVM dan FS mampu menghasilkan solusi yang lebih presisi dan efisien dalam diagnosis dini gagal jantung dibandingkan pendekatan sebelumnya. Hasil ini diharapkan dapat mendukung pengembangan sistem prediksi berbasis kecerdasan buatan untuk aplikasi klinis yang lebih andal.

References

A. Ishaq et al., “Improving the Prediction of Heart Failure Patients’ Survival Using SMOTE and Effective Data Mining Techniques,” IEEE Access, vol. 9, pp. 39707–39716, 2021, doi: 10.1109/ACCESS.2021.3064084.

World Health Organization (WHO), “Cardiovascular diseases,” Cardiovascular diseases (CVDs), 2021. https://www.who.int/health-topics/cardiovascular-diseases.

K. K. R. Indonesia, “Penyakit Jantung Penyebab Utama Kematian, Kemenkes Perkuat Layanan Primer,” Kementerian Kesehatan RI, 2022. https://sehatnegeriku.kemkes.go.id/baca/rilis-media/20220929/0541166/penyakit-jantung-penyebab-utama-kematian-kemenkes-perkuat-layanan-primer/.

R. K. Sachdeva, K. D. Singh, S. Sharma, P. Bathla, and V. Solanki, “An Organized Method for Heart Failure Classification,” 2023, doi: 10.1109/ESCI56872.2023.10099809.

D. Chicco and G. Jurman, “The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation,” BMC Genomics, vol. 21, no. 1, pp. 1–13, 2020, doi: 10.1186/s12864-019-6413-7.

A. Setiawan, R. Febrio Waleska, M. Adji Purnama, Rahmaddeni, and L. Efrizoni, “Komparasialgoritmak-Nearest Neighbor(K-Nn), Support Vector Machine(Svm), Dan Decision Treedalam Klasifikasi Penyakit Stroke,” J. Inform. Rekayasa Elektron., vol. 7, no. 1, pp. 107–114, 2024, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900.

M. Mamun, A. Farjana, M. Al Mamun, M. S. Ahammed, and M. M. Rahman, “Heart failure survival prediction using machine learning algorithm: am I safe from heart failure?,” 2022, doi: 10.1109/AIIoT54504.2022.9817303.

D. Chicco and L. Oneto, “An Enhanced Random Forests Approach to Predict Heart Failure From Small Imbalanced Gene Expression Data,” IEEE/ACM Trans. Comput. Biol. Bioinforma., vol. 18, no. 6, 2021, doi: 10.1109/TCBB.2020.3041527.

M. Pal and S. Parija, “Prediction of Heart Diseases using Random Forest,” J. Phys. Conf. Ser., vol. 1817, no. 1, 2021, doi: 10.1088/1742-6596/1817/1/012009.

R. A. M. Elghalid, A. Alwirshiffani, A. A. I. Mohamed, F. H. A. Aldeeb, and A. Andiasha, “Comparison of Some Machine Learning Algorithms for Predicting Heart Failure,” 2022, doi: 10.1109/ICEMIS56295.2022.9914325.

D. Yuliandari, A. Wuryanto, F. A. Sariasih, Sidik, and F. A. Sariasih, “Improving the Accuracy of Heart Failure Prediction Using the Particle Swarm Optimization Method,” Sink. J. dan Penelit. Tek. Inform., vol. 9, no. 1, pp. 210–220, 2024, doi: https://doi.org/10.33395/sinkron.v9i1.13017 e-ISSN.

I. Nawawi, “OPTIMISASI PEMILIHAN FITUR UNTUK PREDIKSI GAGAL JANTUNG: FUSION RANDOM FOREST DAN PARTICLE SWARM OPTIMIZATION,” INTI NUSA MANDIRI, vol. 18, no. 2, pp. 122–128, 2024, doi: DOI: https://doi.org/10.33480/inti.v18i2.5031.

Sumarna, Sartini, W. E. Pangesti, R. Suryadithia, and V. Riyanto, “Decision Tree Optimization in Heart Failure Diagnostics: a Particle Swarm Optimization Approach,” J. Tek. Inform., vol. 5, no. 3, pp. 739–746, 2024, doi: https://doi.org/10.52436/1.jutif.2024.5.3.1815.

A. Hamid and Ridwansyah, “Optimizing Heart Failure Detection?: A Comparison between Naive Bayes and Particle Swarm Optimization,” Paradigma, vol. 26, no. 1, pp. 30–36, 2024, doi: https://doi.org/10.31294/p.v26i1.3284.

C. M. Zakariya et al., “ANALISIS SENTIMEN TERKAIT PROGRAM KARTU PRAKERJA MENGGUNAKAN METODE K-NEAREST NEIGHBORS,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 7, no. 2, pp. 183–192, 2024.

J. J. Purnama, H. M. Nawawi, S. Rosyida, Ridwansyah, and Risandar, “Klasifikasi Mahasiswa Her Berbasis Algortima Svm Dan Decision Tree,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1253–1260, 2020, doi: 10.25126/jtiik.202073080.

G. Wijaya, “Improvement of Kernel SVM to Enhance Accuracy in Chronic Kidney Disease,” vol. 9, no. 1, pp. 136–144, 2024, doi: https://doi.org/10.33395/sinkron.v9i1.13112 e-ISSN.

I. Iswanto, T. Tulus, and P. Poltak, “Comparison of Feature Selection To Performance Improvement of K-Nearest Neighbor Algorithm in Data Classification,” J. Tek. Inform., vol. 3, no. 6, pp. 1709–1716, 2022, doi: 10.20884/1.jutif.2022.3.6.471.

R. Ridwansyah, G. Wijaya, and J. J. Purnama, “Hybrid Optimization Method Based on Genetic Algorithm for Graduates Students,” J. Pilar Nusa Mandiri, vol. 16, no. 1, pp. 53–58, 2020, doi: 10.33480/pilar.v16i1.1180.

H. Nurdin, I. Carolina, R. L. Andharsaputri, A. Wuryanto, and Ridwansyah, “Forward Selection as a Feature Selection Method in the SVM Kernel for Student Graduation Data,” Sink. J. dan Penelit. Tek. Inform., vol. 8, no. October, pp. 2531–2537, 2024, doi: 10.33395/sinkron.v8i4.14172.

D. Chicco and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone,” BMC Med. Inform. Decis. Mak., vol. 20, no. 1, pp. 1–16, 2020, doi: 10.1186/s12911-020-1023-5.

I. Ariyati, Ridwansyah, and Suhardjono, “Implementasi Particle Swarm Optimization untuk Optimalisasi Data Mining Dalam Evaluasi Kinerja Asisten Dosen,” J. Inform. dan Komput., vol. 3, no. 2, pp. 70–75, 2018, [Online]. Available: https://ejournal.akakom.ac.id/index.php/jiko/article/view/127/pdf.

Ridwansyah, M. Iqbal, H. Destiana, Sugiono, and A. Hamid, “Data Mining Berbasis Machine Learning Untuk Analitik Prediktif Dalam Kelulusan,” semanTIK, vol. 10, no. 2, pp. 1–10, 2024, doi: https://doi.org/10.55679/semantik.v10i2.67.

V. Riyanto, Imam Nawawi, R. Ridwansyah, Ganda Wijaya, and Toto Haryanto, “Optimization of the YOLOv7 object detection algorithm for estimating the amount of apple harvest,” Paradigma, vol. 25, no. 1, pp. 31–34, 2023, doi: https://doi.org/10.31294/p.v25i1.1809.

Downloads

Published

2025-04-15

How to Cite

1.
Riyanto V, Destiana H, Prihatin T, Sugiono, Wijaya G. MENGOPTIMALKAN PREDIKSI GAGAL JANTUNG DENGAN KOMBINASI SVM DAN FORWARD SELECTION. JIRE [Internet]. 2025 Apr. 15 [cited 2025 Jul. 11];8(1):103-11. Available from: https://www.e-journal.stmiklombok.ac.id/index.php/jire/article/view/1541