Perbandingan Algoritma SVM dan Random Forest Untuk Prediksi Penyakit Jantung Menggunakan Metode Feature Selection Anova F Value
Main Article Content
Abstract
Penyakit jantung masih menjadi salah satu penyebab kematian tertinggi secara global dengan angka kejadian yang terus meningkat. Penelitian ini membandingkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest (RF) dalam memprediksi risiko penyakit jantung menggunakan dataset dari Kaggle. Untuk meningkatkan performa model, diterapkan metode seleksi fitur ANOVA F-value guna mengidentifikasi atribut yang paling relevan. Hasil pengujian menunjukkan bahwa Random Forest memiliki performa lebih baik dengan akurasi 99%, dibandingkan SVM yang mencapai 97%. Berdasarkan evaluasi confusion matrix, Random Forest juga menghasilkan tingkat kesalahan klasifikasi yang lebih rendah. Oleh karena itu, Random Forest dinilai lebih efektif untuk prediksi penyakit jantung dan berpotensi menjadi dasar pengembangan aplikasi deteksi dini berbasis machine learning. Penelitian ini diharapkan dapat mendukung pemanfaatan kecerdasan buatan dalam meningkatkan upaya pencegahan dan deteksi dini penyakit jantung.
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
[1]. Alfarizi, M. R., & Al-farish, M. Z. (2023). Penggunaan python sebagai bahasa pemrograman untuk machine learning dan deep learning. 2, 1–6.
[2]. Adinulhaq, J. M., & Sam’an, M. (2023). Perbandingan Kinerja Akurasi Model Mesin Learning Untuk Prediksi Penyakit Jantung. Jurnal Komputer Dan Teknologi Informasi, 1(2), 48–55. https://doi.org/10.26714/jkti.v1i2.12918
[3]. Akurasi, P., Forest, R., Anova, D., Dhani, A. A., Azhima, T., Siswa, Y., Pranoto, W. J., Pada, S., & Data, K. (2024). Perbaikan Akurasi Random Forest Dengan ANOVA Dan SMOTE Pada Klasifikasi Data Stunting Improving the Accuracy of Random Forest with ANOVA and SMOTE on Stunting Data Classification. 13(2), 264–272. https://doi.org/10.34148/teknika.v13i2.875
[4]. Al Azhima, S. A. T., Darmawan, D., Arief Hakim, N. F., Kustiawan, I., Al Qibtiya, M., & Syafei, N. S. (2022). Hybrid Machine Learning Model untuk memprediksi Penyakit Jantung dengan Metode Logistic Regression dan Random Forest. In Jurnal Teknologi Terpadu (Vol. 8, Issue 1, pp. 40–46). https://doi.org/10.54914/jtt.v8i1.539
[5]. Alhabib, I. (2022). Komparasi Metode Deep Learning, Naïve Bayes Dan Random Forest Untuk Prediksi Penyakit Jantung. INFORMATICS FOR EDUCATORS AND PROFESSIONAL : Journal of Informatics, 6(2), 176. https://doi.org/10.51211/itbi.v6i2.1881 , no 5 jadi 1
[6]. Amaliah, S., & Nusrang, M. (2022). Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi Di Kedai Kopi Konijiwa Bantaeng. 4(2), 121–127. https://doi.org/10.35580/variansiunm31
[7]. Anita, M., Yulianti, I. G. D., & Pasaribu, S. V. (2025). Klasifikasi Faktor Risiko Penyakit Jantung Menggunakan Machine Learning. In HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi (Vol. 16, Issue 1, pp. 68–78). https://doi.org/10.52972/hoaq.vol16no1.p68-78
[8]. Cnn-svm, M. (2022). Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM. 2(2), 133–144.
[9]. Dharma, F., & Wijaya, H. (2024). Analisis Data Penyakit Jantung Menggunakan Algoritma Decesion Tree dan Support Vector Machines. 19(2), 156–163.
[10]. Handayani, F. (2021). Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network Dalam Prediksi Penyakit Jantung. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 7(3), 329. https://doi.org/10.26418/jp.v7i3.48053
[11]. Hasanah, Herliyani., & Nurmalitasari. (2023). Perbandingan Tingkat Akurasi Algoritma Support Vector Machines (SVM) dan C45 dalam Prediksi Penyakit Jantung. Prosiding Seminar Nasional Teknologi Dan Sains, 2, 13–18.
[12]. Hidayat, R., Sy, Y. S., Sujana, T., Husnah, M., & Saputra, H. T. (2024). Implementasi Machine Learning Untuk Prediksi Penyakit Jantung Menggunakan Algoritma Support Vector Machine. 5(2), 161–168.
[13]. Junifer Pangaribuan, J., Tanjaya, H., & Kenichi, K. (2021). Mendeteksi Penyakit Jantung Menggunakan Machine Learning Dengan Algoritma Logistic Regression. Journal Information System Development (ISD), 06(02), 1–10.
[14]. Nasution, N., Hasan, M. A., & Bakri Nasution, F. (2025). Predicting Heart Disease Using Machine Learning: An Evaluation of Logistic Regression, Random Forest, SVM, and KNN Models on the UCI Heart Disease Dataset. In IT Journal Research and Development (Vol. 9, Issue 2, pp. 140–150). https://doi.org/10.25299/itjrd.2025.17941
[15]. Nasution, N., Nasution, F., & Hasan, M. A. (2024). Heart Disease Risk Prediction: Evaluating Machine Learning Algorithms With Feature Reduction Using Lda. In JURTEKSI (Jurnal Teknologi dan Sistem Informasi) (Vol. 11, Issue 1, pp. 9–16). https://doi.org/10.33330/jurteksi.v11i1.3498
[16]. Pal, M., & Parija, S. (2021). Prediction of Heart Diseases using Random Forest. Journal of Physics: Conference Series, 1817(1). https://doi.org/10.1088/1742-6596/1817/1/012009
[17]. Purnomo, I. I. (2023). Perancangan Sistem Evaluasi Tingkat Kompetensi Alumni dengan Algoritma Support Vector Machine ( SVM ) Linear Method Berbasis Framework Streamlit. 8(3).
[18]. Rani, M. C., Dewi, R. A., Azkia, F. D., Wahyudi, M., Sumanto, & Budiman, A. S. (2025). Perbandingan Algoritma Random Forest, Naive Bayes, Dan Neural Network Dalam Klasifikasi Penyakit Jantung. In Jurnal Sains Informatika Terapan (Vol. 4, Issue 2, pp. 77–84). https://doi.org/10.62357/jsit.v4i2.609
[19]. Reddy, V. S. K., Meghana, P., Reddy, N. V. S., & Rao, B. A. (2022). Prediction on Cardiovascular disease using Decision tree and Naïve Bayes classifiers. Journal of Physics: Conference Series, 2161(1). https://doi.org/10.1088/1742-6596/2161/1/012015
[20]. Rehman, M. U., Naseem, S., Butt, A. U. R., Mahmood, T., Khan, A. R., Khan, I., Khan, J., & Jung, Y. (2025). Predicting coronary heart disease with advanced machine learning classifiers for improved cardiovascular risk assessment. Scientific Reports, 15(1), 1–15. https://doi.org/10.1038/s41598-025-96437-1
[21]. Ridwan, R., Handayani, H. H., Lestari, S. A. P., & Cahyana, Y. (2025). Evaluasi Kinerja Algoritma Random Forest Dan Gradient Boosting Untuk Klasifikasi Penyakit Jantung. In Jurnal Komtika (Komputasi dan Informatika) (Vol. 9, Issue 1, pp. 112–124). https://doi.org/10.31603/komtika.v9i1.13450
[22]. Riyanto, V., Destiana, H., Prihatin, T., & Wijaya, G. (2025). MENGOPTIMALKAN PREDIKSI GAGAL JANTUNG DENGAN KOMBINASI. 8(1), 103–111.
[23]. Sahelvi, E., Cikita, P., Sapitri, R. M., Rahmaddeni, R., & Efrizoni, L. (2025). Perbandingan Algoritma K-Nearest Neighbors dan Random Forest untuk Rekomendasi Gaya Hidup Sehat dalam Mencegah Penyakit Jantung. In MALCOM: Indonesian Journal of Machine Learning and Computer Science (Vol. 5, Issue 3, pp. 830–840). https://doi.org/10.57152/malcom.v5i3.1972
[24]. Selayanti, N., Putri, S. A., Kristanaya, M., Azzahra, M. P., Navsih, M. G., & Hindrayani, K. M. (2024). Penerapan Machine Learning Algoritma Random Forest Untuk Prediksi Penyakit Jantung. In Prosiding Seminar Nasional Sains Data (Vol. 4, Issue 1, pp. 895–906). https://doi.org/10.33005/senada.v4i1.376
[25]. Tangkelobo, E., Mayaut, W., Listanto, H., Binanto, I., & Sianipar, N. F. (2023). Perbandingan Algoritma Klasifikasi Random Forest , Gaussian Naive Bayes , dan K-Nearest untuk Data Tidak Seimbang dan Data yang diseimbangkan dengan metode Random Undersampling pada dataset LCMS Tanaman Keladi Tikus.