Klasifikasi penyakit Kardiovaskular menggunakan Support Vector Machine (SVM) berbasis fitur kombinasi hasil seleksi Recursive Feature Elimination (RFE) dan Chi-Square

INDONESIA :

Penyakit kardiovaskular merupakan salah satu masalah kesehatan paling serius yang masih menjadi penyebab kematian tertinggi di dunia setiap tahunnya. Kondisi ini menunjukkan bahwa diagnosis dini dan klasifikasi penyakit kardiovaskular sangat penting untuk meningkatkan peluang kesembuhan serta memperpanjang harapan hidup pasien. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit kardiovaskular menggunakan metode Support Vector Machine (SVM) serta menganalisis pengaruh seleksi fitur Recursive Feature Elimination (RFE) dan Chi-Square terhadap performa komputasi model. Dataset yang digunakan adalah Heart Disease Dataset dari IEEE Dataport yang terdiri atas 1.190 data. Metode RFE dan Chi-Square digunakan untuk memilih fitur paling relevan, yang menghasilkan tujuh fitur utama yang digunakan dalam proses klasifikasi dengan berbagai kernel SVM. Hasil penelitian menunjukkan bahwa penerapan seleksi fitur secara signifikan meningkatkan stabilitas model, serta mempercepat proses komputasi, terutama pada kernel dengan kompleksitas tinggi. Kernel linear memberikan akurasi tertinggi sebesar 85,84%, sedangkan kernel polinomial derajat tujuh meningkat dari 77,23% menjadi 84,31%, dan kernel RBF meningkat dari 83,66% menjadi 84,86% setelah seleksi fitur. Kombinasi metode RFE dan Chi-Square terbukti efektif dalam meningkatkan stabilitas, dan efisiensi komputasi, sehingga berpotensi diterapkan sebagai alternatif dalam mendukung proses klasifikasi penyakit kardiovaskular.

ENGLISH :

Cardiovascular disease is one of the most serious health problems and remains the leading cause of death worldwide each year. This condition shows that early diagnosis and classification of cardiovascular disease are very important to increase the chances of recovery and prolong the life expectancy of patients. This study aims to develop a cardiovascular disease classification system using the Support Vector Machine (SVM) method and analyze the effect of Recursive Feature Elimination (RFE) and Chi-Square feature selection on model computational performance. The dataset used is the Heart Disease Dataset from IEEE Dataport, which consists of 1,190 data points. The RFE and Chi-Square methods were used to select the most relevant features, resulting in seven main features used in the classification process with various SVM kernels. The results showed that the application of feature selection significantly improved model stability and accelerated the computational process, especially for kernels with high complexity. The linear kernel provided the highest accuracy of 85.84%, while the seventh-degree polynomial kernel increased from 77.23% to 84.31%, and the RBF kernel increased from 83.66% to 84.86% after feature selection. The combination of the RFE and Chi-Square methods proved to be effective in improving stability and computational efficiency, making it a potential alternative to support the cardiovascular disease classification process.

ARABIC :

تعد أمراض القلب والأوعية الدموية من أخطر المشكلات الصحية، ولا تزال السبب الرئيسي للوفاة في جميع أنحاء العالم كل عام. وتبين هذه الحالة أن التشخيص المبكر وتصنيف أمراض القلب والأوعية الدموية أمران في غاية الأهمية لزيادة فرص الشفاء وإطالة العمر المتوقع للمرضى. يهدف هذا البحث الى تطوير نظام تصنيف امراض القلب والاوعية الدموية باستخدام طريقة آلة المتجهات الداعمة (SVM) وتحليل تاثير اختيار ميزة حذف الميزة التكراري (RFE) و Chi-Square على اداء حسابات النموذج. المجموعة البيانية المستخدمة هي مجموعة بيانات امراض القلب من بوابة بيانات IEEE Dataport والتي تتكون من 1,190 بيانة .تم استخدام طريقتي RFE و Chi-Square لاختيار الميزات الأكثر صلة، مما أدى إلى استخدام سبع ميزات رئيسية في عملية التصنيف مع نوى SVM مختلفة. تظهر نتائج الدراسة أن تطبيق اختيار الميزات يحسن بشكل كبير من استقرار النموذج ويسرع عملية الحساب، خاصة بالنسبة للنوى ذات التعقيد العالي. قدمت النواة الخطية أعلى دقة بنسبة 85.84٪، بينما زادت النواة متعددة الحدود من الدرجة السابعة من 77.23٪ إلى 84.31٪، وزادت النواة RBF من 83.66٪ إلى 84.86٪ بعد اختيار الميزات. أثبتت فعالية الجمع بين طريقتي RFE و Chi-Square في تحسين الاستقرار والكفاءة الحسابية، مما يجعلهما قابلتين للتطبيق كبديل في دعم عملية تصنيف أمراض القلب والأوعية الدموية.