Prediksi Penyakit Jantung Dengan Algoritma Naïve Bayes

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia dengan jumlah kasus yang terus meningkat setiap tahun. Deteksi dini menjadi faktor krusial dalam menurunkan angka kematian, namun masyarakat seringkali enggan melakukan pemeriksaan karena keterbatasan waktu dan antrian panjang di fasilitas kesehatan. Penelitian ini bertujuan untuk membangun dan mengevaluasi model prediksi serangan jantung menggunakan algoritma Naïve Bayes berbasis data rekam medis pasien. Dataset yang digunakan adalah Heart Attack Dataset dari Kaggle yang terdiri dari 1.319 data dengan sembilan variabel, meliputi usia, jenis kelamin, denyut nadi, tekanan darah sistolik dan diastolik, kadar glukosa, enzim KCM (CK-MB), troponin, dan target klasifikasi berupa positive (terdeteksi serangan jantung) atau negative (tidak terdeteksi). Metode yang diterapkan menggunakan algoritma Naïve Bayes yang diimplementasikan melalui aplikasi RapidMiner dengan pembagian data 80:20 untuk data latih dan data uji. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu memprediksi serangan jantung dengan akurasi sebesar 72,18%, presisi 93,86%, recall 58,52%, dan F1-Score 72,08%. Berdasarkan evaluasi menggunakan confusion matrix, model menunjukkan performa yang sangat baik dalam memprediksi kasus negatif (TN=478) dengan tingkat kesalahan positif yang rendah (FP=31), namun masih memiliki keterbatasan dalam mendeteksi kasus positif (TP=474) dengan false negative yang cukup tinggi (FN=336). Faktor dominan yang mempengaruhi prediksi adalah troponin, yang merupakan biomarker utama kerusakan otot jantung, diikuti oleh KCM (CK-MB), usia, dan tekanan darah. Temuan ini sejalan dengan penelitian klinis yang menyatakan bahwa troponin merupakan biomarker gold standard untuk diagnosis serangan jantung.