Penerapan Metode Algoritma XGboost untuk Prediksi Risiko Penyakit Jantung

• FADIA IZNI ADANI
• 2025

---

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia. Deteksi dini terhadap risiko penyakit jantung sangat penting untuk menekan angka kematian dan meningkatkan kualitas hidup pasien. Penelitian ini menerapkan algoritma XGBoost untuk membangun model prediksi risiko penyakit jantung menggunakan dataset cardio_train.csv dari Kaggle.

Penelitian ini meliputi pra-pemrosesan data, pelatihan model, evaluasi menggunakan metrik akurasi dan AUC, serta analisis feature importance. Model XGBoost mencapai akurasi sebesar 73% dan AUC sebesar 0,795, menunjukkan performa klasifikasi yang baik. Berdasarkan hasil evaluasi, untuk kelas 0 (tidak berisiko) diperoleh precision 0,72, recall 0,77, dan f1-score 0,74, sedangkan untuk kelas 1 (berisiko) precision 0,75, recall 0,69, dan f1-score 0,72. Hasil ini menandakan bahwa model mampu mengenali kedua kelas secara seimbang. Analisis feature importance menunjukkan bahwa tekanan darah sistolik (ap_hi), usia (age), dan kolesterol merupakan faktor dominan dalam prediksi risiko penyakit jantung.

Dengan hasil ini, XGBoost dapat direkomendasikan sebagai metode dalam pengembangan sistem pendukung keputusan untuk deteksi dini penyakit jantung secara otomatis.

• data mining
• machine learning
• XGBoost

Tautan dinonaktifkan.