Model Machine Learning yang Dioptimalkan untuk Prediksi Penyakit Jantung Menggunakan R Shiny

Yadhurani Dewi Amritha; Ni Luh Putu Ika Candrawengi; Md Wira Putra Dananjaya; Made Ari Riska Dayanti

doi:10.53863/kst.v8i01.1994

Penulis

Yadhurani Dewi Amritha Universitas Pendidikan Nasional, Denpasar, Indonesia
Ni Luh Putu Ika Candrawengi Universitas Pendidikan Nasional, Denpasar, Indonesia
Md Wira Putra Dananjaya Universitas Pendidikan Nasional, Denpasar, Indonesia
Made Ari Riska Dayanti Universitas Pendidikan Nasional, Denpasar, Indonesia

DOI:

https://doi.org/10.53863/kst.v8i01.1994

Kata Kunci:

machine learning, random forest, biostatistika, R Shiny, e-health

Abstrak

Penyakit jantung terus menjadi kontributor utama kematian global, yang menyoroti pentingnya deteksi dini dalam meningkatkan luaran pasien. Peningkatan ketersediaan dataset klinis terstruktur telah memungkinkan penerapan sistem cerdas untuk prediksi risiko dan dukungan diagnostik. Dalam makalah ini, efektivitas tiga algoritma pembelajaran terawasi (supervised learning)—Random Forest (RF), Support Vector Machine (SVM), dan Decision Tree (DT)—dievaluasi untuk tugas prediksi penyakit jantung. Investigasi ini didasarkan pada dataset Heart Failure Prediction yang bersumber dari platform Kaggle. Proses pelatihan untuk setiap model melibatkan validasi silang 10-lipatan (10-fold cross-validation), dengan hiperparameter yang kemudian dioptimalkan menggunakan pencarian grid (grid search). Efikasi model diukur berdasarkan tolok ukur klasifikasi standar, mencakup akurasi, sensitivitas, spesifisitas, dan area di bawah kurva ROC (AUC). Model Random Forest muncul sebagai yang paling efektif, menunjukkan kinerja unggul dengan AUC sebesar 0,9517, sensitivitas 81,18%, dan spesifisitas 90,44%. Untuk memfasilitasi penggunaan klinis, model ini kemudian diintegrasikan ke dalam alat web ramah pengguna yang dibangun dengan kerangka kerja R Shiny. Antarmuka ini memungkinkan pengguna untuk memasukkan data klinis tingkat pasien dan memperoleh prediksi waktu-nyata (real-time), beserta visualisasi kepentingan fitur dan probabilitas risiko. Implementasi ini menjembatani kesenjangan antara pengembangan algoritma dan aplikasi praktis, menawarkan alat pendukung keputusan yang mudah digunakan untuk skrining awal penyakit jantung. Temuan ini menegaskan bahwa model machine learning, ketika dioptimalkan dan divalidasi dengan benar, dapat berfungsi sebagai alat yang efektif dan dapat diinterpretasikan dalam pengambilan keputusan klinis. Karya ini berkontribusi pada kemajuan e-health dan integrasi model berbasis AI ke dalam alur kerja medis

Referensi

Ansari, F., Sharma, S., & Garg, A. (2023). Performance evaluation of machine learning techniques for heart disease prediction. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 13(1), e1441.

Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(2)

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.

Erni, A. P., & Sa’adah, U. (2021). Comparison of Decision Tree, Naïve Bayes, and Random Forest Algorithm in Detecting Heart Disease. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(1), 101–108.

ISO. (2010). Ergonomics of human-system interaction — Part 210: Human-centred design for interactive systems (ISO 9241-210:2010). International Organization for Standardization.

Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. IJCAI, 2, 1137–1145.

Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. Springer.

Kushniruk, A. W., & Patel, V. L. (2004). Cognitive and usability engineering methods for evaluation of clinical information systems. Journal of Biomedical Informatics, 37(1), 56–76.

Lantz, B. (2019). Machine Learning with R: Expert techniques for predictive modeling. Packt Publishing Ltd.

Ong, W. M., Lee, J., & Tan, T. S. (2020). User-centered design of clinical prediction tools: usability evaluation of a prototype for type 2 diabetes screening. BMC Medical Informatics and Decision Making, 20(1), 1–10.

Powers, D. M. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63.

Prasanna Sai Teja, P., & Veeramani, T. (2022). Comparing the Efficiency of Heart Disease Prediction Using Machine Learning Techniques. Cardiometry, (23), 494–500.

Robin, X., Turck, N., Hainard, A., et al. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, 77. https://doi.org/10.1186/1471-2105-12-77

World Health Organization. (2021). Cardiovascular diseases (CVDs). Retrieved from https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds

Yang, L., & Shami, A. (2020). On hyperparameter optimization of machine learning algorithms: Theory and practice. Neurocomputing, 415, 295-316.

Zhou, T., Jin, X., & Yang, Z. (2020). Heart disease prediction model based on decision tree and grid search. Journal of Intelligent & Fuzzy Systems, 38(3), 3229–3239.

Zriqat, I. A., Al-Dubai, M. M., & Al-Sharabi, T. H. (2017). A comparative study for predicting heart diseases using data mining classification methods. arXiv preprint arXiv:1706.09969.