Implementasi Penggunaan Model Regresi untuk Memprediksi Risiko Penyakit Jantung Berdasarkan Data Medis
Abstract
Penyakit jantung menjadi tantangan yang serius yang mempengaruhi jutaan orang di seluruh dunia. Penyakit ini dapat menyerang organ vital yang memompa darah ke seluruh tubuh dan dapat berakibat fatal jika tidak ditangani. Prediksi penyakit jantung melalui pemodelan regresi dapat memungkinkan identifikasi dini yang lebih efektif. Penelitian ini bertujuan untuk memprediksi risiko penyakit jantung dengan menggunakan regresi linier sederhana berdasarkan data medis yang diperoleh dari data set yang tersedia di Kaggle. Analisis data dilakukan dengan Python, memanfaatkan library seperti sklearn untuk regresi, matplotlib dan seaborn untuk visualisasi, serta numpy dan pandas untuk manipulasi data. Data set yang digunakan terdiri dari 920 sampel dengan 16 atribut, di mana lima variabel independen dianalisis terhadap variabel. Hasil penelitian menunjukkan bahwa variabel 'thalch' memiliki pengaruh paling signifikan terhadap risiko penyakit jantung, diikuti oleh 'ca' dan 'thal'. Sementara variabel 'chol' dan 'age' memiliki pengaruh yang lebih kecil. Tujuan penelitian ini adalah menyediakan informasi prediktif yang akurat dan cepat, yang dapat membantu dalam pencegahan dan penanganan penyakit jantung. Temuan ini diharapkan dapat dijadikan acuan untuk strategi pencegahan dan pengambilan keputusan dalam bidang kesehatan.
References
[2] D. K. Saputro, M. Fiko, R. Ajie, S. Azizah, and D. Hartanti, “Penerapan Logistic Regression untuk Mendeteksi Penyakit Jantung pada Pasien,” pp. 666–671, 2023.
[3] U. Amelia, J. Indra, and A. F. N. Masruriyah, “Implementasi Algoritma Support Vector Machine (Svm) Untuk Prediksi Penyakit Stroke Dengan Atribut Berpengaruh,” Sci. Student J. Information, Technol. Sci., vol. III, no. 2, pp. 254–259, 2022.
[4] K. Kevin, “Diagnosa Penyakit Jantung Menggunakan Metode Certainty Factor,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 3, no. 1, pp. 93–106, 2022, doi: 10.33365/jatika.v3i1.1866.
[5] D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020, doi: 10.30865/mib.v4i2.2080.
[6] A. B. Wibisono and A. Fahrurozi, “Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 161–170, 2019, doi: 10.35760/tr.2019.v24i3.2393.
[7] A. Wijayadhi, M. Makmun Effendi, and S. Budi Rahardjo, “Prediksi Penyakit Jantung Dengan Algoritma Regresi Linier,” Bull. Inf. Technol., vol. 4, no. 1, pp. 15–28, 2023, doi: 10.47065/bit.v4i1.463.
[8] A. S. Novari and U. K. Nisak S, “Prediksi Faktor yang Mempengaruhi Hipertensi dengan Metode Data Mining untuk meningkatkan Pelayanan Kesehatan di UPT Puskesmas Ngoro,” Phys. Sci. Life Sci. and Engineering, vol. 1, no. 2, p. 16, 2024, doi: 10.47134/pslse.v1i2.201.
[9] ander sriwi sri sucaty, murianto, “Penerapan Algoritma Artificial Neural Network Untuk Memprediksi Penyakit Gagal Jantung,” Pola Kemitraan Pentahelix Dalam Pengemb. Desa Wisata Buwun Sejati, Lomb. Barat Ntb, vol. 3, no. 4, pp. 413–446, 2024.
[10] S. P. Tamba and E. -, “Prediksi Penyakit Gagal Jantung Dengan Menggunakan Random Forest,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 5, no. 2, pp. 176–181, 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2445.
[11] S. R. Ivan Fanami Qomaruddin, “Analisis Data Kuantitatif dengan Program IBM SPSS.” p. Hal 1, 2021. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=P3tmEAAAQBAJ&oi=fnd&pg=PP1&dq=aplikasi+analisi+multivariate+dengan+program+IBM+SPSS&ots=HORqiIrY2r&sig=mG0vGnfLqw1sXB181sT2FctJk2o&redir_esc=y#v=onepage&q&f=false
[12] C. Raras, A. Widiawati, L. Nurazizah, and I. R. Yunita, “Implementasi Algoritma Logistic Regression pada Pembuatan Website Sederhana untuk Prediksi Penyakit Jantung,” Infotekmesin, vol. 15, no. 01, pp. 117–122, 2024, doi: 10.35970/infotekmesin.v15i1.2048.
[13] T. A. F. M. dan I. P. A. U. Team, “Analisis Data Eksplorasi,” Transformasi Data. 2018. [Online]. Available: https://www.ibm.com/topics/exploratory-data-analysis
[14] M. Sholeh, S. Suraya, and D. Andayati, “Machine Linear untuk Analisis Regresi Linier Biaya Asuransi Kesehatan dengan Menggunakan Python Jupyter Notebook,” J. Edukasi dan Penelit. Inform., vol. 8, no. 1, p. 20, 2022, doi: 10.26418/jp.v8i1.48822.
[15] A. N. Hanna, J. S. Mcdonald, C. H. Miller, and D. Couri, “Pretreatment with paracetamol inhibits metabolism of enflurane in rats,” Br. J. Anaesth., vol. 62, no. 4, pp. 429–433, 1989, doi: 10.1093/bja/62.4.429.
[16] A. Alifta and S. Pingit, “Proceedings of the Fifth Annual ACM Workshop on Computational Learning Theory,” Proc. Fifth Annu. ACM Work. Comput. Learn. Theory, vol. 12, no. 1, 1992.
