klasifikasi penyakit serangan jantung menggunakan algoritma support vector machine (svm) dan recursive feature elimination (RFE)

ABSTRAK:

Penelitian ini membahas pentingnya analisis data medis yang kompleks dalam mendeteksi risiko serangan jantung. Tantangan utama dalam analisis data medis adalah ketidakseimbangan data dan kompleksitas atribut yang sering kali menyulitkan metode tradisional, sehingga berpotensi menyebabkan keterlambatan pengambilan keputusan medis. Untuk itu, penelitian ini mengusulkan pendekatan berbasis pembelajaran mesin menggunakan algoritma Support Vector Machine (SVM) yang dipadukan dengan teknik Recursive Feature Elimination (RFE), normalisasi, dan SMOTE untuk meningkatkan akurasi prediksi. Serangan jantung (infark miokard) merupakan kondisi serius yang sering disebabkan oleh aterosklerosis dan menjadi penyebab utama kematian global. Dengan pendekatan ini, diharapkan model prediksi yang dihasilkan dapat membantu tenaga medis dalam melakukan pencegahan dini secara lebih akurat dan efisien. Berdasarkan hasil pengujian, model terbaik diperoleh dengan kombinasi kernel RBF, Cost sebesar 10, dan Gamma sebesar 0.5 pada skenario data 90:10, menghasilkan akurasi 84.84%, presisi 82%, recall 88%, dan F1-Score 85%.

ABSTRACT:

This research discusses the importance of complex medical data analysis in detecting heart attack risk. The main challenges in medical data analysis are data imbalance and attribute complexity that often complicate traditional methods, potentially causing delays in medical decision-making. Therefore, this research proposes a machine learning-based approach using Support Vector Machine (SVM) algorithm combined with Recursive Feature Elimination (RFE), normalization, and SMOTE techniques to improve prediction accuracy. Heart attack (myocardial infarction) is a serious condition often caused by atherosclerosis and is the leading cause of global mortality. With this approach, it is expected that the resulting prediction model can help medical personnel in conducting early prevention more accurately and efficiently. Based on the test results, the best model is obtained with a combination of RBF kernels.

مستخلص البحث:
.

تناول هذا البحث أهمية تحليل البيانات الطبية المعقدة في الكشف عن مخاطر نوبة القلب. التحدي الرئيسي في تحليل البيانات الطبية هو عدم توازن البيانات وتعقيد الخصائص الذي غالباً ما يصعب الطرق التقليدية، مما قد يؤدي إلى تأخير اتخاذ القرارات الطبية. ولذلك، اقترح هذا البحث منهجاً قائماً على التعلم الآلي باستخدام خوارزمية آلة الدعم المتجه (SVM) مدمجة بتقنية وإزالة الميزات التكرارية (RFE)، والتطبيع، وتقنية زيادة عدد عينات الأقلية الاصطناعية (SMOTE) لزيادة دقة التنبؤ. نوبة القلب (احتشاء العضلة القلبية) هي حالة خطيرة غالباً ما تكون ناتجة عن تصلب الشرايين وتسبب الوفاة على مستوى العالم. من المتوقع أنه من خلال هذا المنهج، يمكن أن يساعد النموذج التنبؤي الناتج في تمكين العاملين في مجال الطب من القيام بالوقاية المبكرة بدقة وكفاءة أكبر. استنادًا إلى نتائج الاختبار، تم الحصول على أفضل نموذج من خلال مزيج من نواة RBF، و Cost قدرها 10، و Gammaقدرها 0.5 في سيناريو البيانات 90:10، مما أدى إلى دقة 84.84%، وضبط 82%، واسترجاع 88%، وقيمة ف1 85%.