Prediksi Kelangsungan Hidup Pasien Gagal Jantung Menggunakan Metode Machine Learning Regresi Logistik, Support Vector Machine, dan Random Forest

Abstract

Kardiovaskular merupakan gangguan pada jantung dan pembuluh darah seperti coronary heart disease. Penyakit ini setiap tahunnya membunuh sekitar 17 juta orang di seluruh dunia dengan penyakit utamanya adalah gagal jantung dan infark miokard. Pendekatan dalam prediksi kelangsungan hidup pasien gagal jantung umumnya dengan menggunakan metode New York Heart Association(NYHA) dengan empat kelas utamanya, tetapi metode ini gagal memprediksi fitur dasar dan gagal mencapai akurasi yang tinggi. Penelitian ini menggunakan pendekatan machine learning dengan tiga model prediksi yaitu regresi logistik, support vector machine, dan random forest. Model random forest mempunyai kinerja paling baik yang disusul oleh regresi logistik, kemudian support vector machine. Setiap model memberikan tiga fitur kuat utama dalam memprediksi variabel target yaitu time, ejection fraction, dan serum creatinine. Pengambilan keputusan hasil simulasi prediksi dilakukan dengan melihat kelas terbanyak yang muncul pada hasil prediksi yang diberikan oleh setiap model dengan urutan randomforest, regresi logistik, kemudian support vector machine.