Explainable Machine Learning untuk Prediksi Risiko Penyakit Jantung Menggunakan Random Forest dan Analisis SHAP

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga diperlukan metode yang efektif untuk memprediksi risiko penyakit tersebut secara dini. Penelitian ini bertujuan untuk menerapkan pendekatan machine learning berbasis Random Forest dalam memprediksi risiko penyakit jantung menggunakan data klinis pasien, serta meningkatkan transparansi model melalui pendekatan explainable machine learning menggunakan SHAP. Dataset yang digunakan merupakan data penyakit jantung publik yang berisi fitur-fitur klinis seperti usia, jenis kelamin, tekanan darah, kadar kolesterol, dan denyut jantung maksimum. Model Random Forest dilatih dan dievaluasi menggunakan data uji dengan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model Random Forest memperoleh nilai akurasi sebesar 0,80 dan F1-score tertimbang sebesar 0,80. Selain itu, nilai recall sebesar 0,80 dan precision 0,82 pada kelas penyakit jantung menunjukkan bahwa model cukup efektif dalam mendeteksi pasien yang berisiko. Analisis interpretabilitas menggunakan SHAP menunjukkan bahwa fitur chest pain type, thalassemia, dan jumlah pembuluh darah utama merupakan fitur yang memiliki kontribusi paling besar terhadap prediksi risiko penyakit jantung. Hasil penelitian ini menunjukkan bahwa Random Forest dengan pendekatan explainable machine learning berbasis SHAP mampu memberikan prediksi yang cukup baik serta interpretasi model yang lebih transparan, sehingga berpotensi digunakan sebagai alat bantu analisis berbasis data pada prediksi risiko penyakit jantung.

Kata kunci: penyakit jantung, machine learning, Random Forest, SHAP, explainable machine learning.

GS Cited Analysis