IMPLEMENTASI METODE RANDOM FOREST DAN SELEKSI FITUR INFORMATION GAIN PADA KLASIFIKASI POTENSI PENYAKIT JANTUNG

Penyakit jantung merupakan salah satu penyakit tidak menular yang dapat menyerang tubuh secara tiba-tiba karena adanya penyempitan pada aliran darah menuju jantung. Pada penelitian ini menggunakan metode random forest untuk mengklasifikasi penyakit jantung, dimana jumlah datanya yaitu 1190, 11 fitur, kelas target ada 2 (penyakit jantung dan normal). Penelitian ini bertujuan menghitung dan mengetahui hasil ketepatan tingkat akurasi antara dataset dengan teknik seleksi fitur dan dataset tanpa seleksi fitur dari pemodelan yang dibuat menggunakan metode random forest. Hasil akurasi menggunakan jumlah fitur sebanyak 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 80.26%, 81.12%, 83.26%, 83.69%, 83.26%, 86.70%, 88.84%, 88.84%, 85.84%, 90.56% pada percobaan tanpa tuning parameter dengan split validation, sedangkan tanpa teknik seleksi fitur mencapai 91.42% (akurasi optimum). Hasil akurasi menggunakan jumlah fitur sebanyak 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 78.66%, 76.94%, 81.33%, 81.33%, 81.84%, 83.65%, 86.66%, 89.16%, 88.64%, 91.05% pada percobaan tanpa tuning parameter dengan 5-fold validation, sedangkan tanpa teknik seleksi fitur mencapai 91.22% (akurasi optimum). Hasil akurasi dengan jumlah fitur sebanyak 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 80.26%, 81.12%, 83.26%, 83.69%, 83.97%, 85.84%, 87.98%, 88.84%, 87.55%, 90.56% pada percobaan menggunakan hasil tuning parameter dengan split validation, sedangkan tanpa teknik seleksi fitur mencapai 91.42% (akurasi optimum). Hasil akurasi dengan jumlah fitur 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 78.66%, 77.45%, 81.41%, 81.67%, 81.58%, 84.25%, 86.23%, 89.07%, 88.47% dan 90.71% pada percobaan menggunakan hasil tuning parameter dengan 5-fold validation, sedangkan tanpa teknik seleksi fitur mencapai 90.88% (akurasi optimum). Dari hasil skenario uji coba, akurasi optimum mencapai 91.42% pada pemodelan tanpa seleksi fitur menggunakan hasil tuning parameter dan tanpa tuning parameter dengan split validation. Hasil penelitian ini menunjukkan bahwa teknik seleksi fitur mencapai akurasi yang lebih rendah daripada menggunakan pemodelan tanpa seleksi fitur. Hal ini bisa disebabkan karena adanya pertimbangan fitur dominan dan tidak dominan, serta teknik seleksi fitur dapat berpengaruh jika diterapkan pada data dengan jumlah record dan fitur yang banyak