KLASIFIKASI PENYAKIT KARDIOVASKULAR MENGGUNAKAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE (SMOTE) DAN BACKPROPAGATION NEURAL NETWORK (BPNN)

Salah satu organ yang berperan penting dalam kelangsungan hidup manusia adalah organ jantung. Penyakit yang berkaitan dengan jantung salah satunya adalah penyakit kardiovaskular. Meninjau data yang tersedia dari Riset Kesehatan Dasar (RISKESDAS) pada tahun 2018, di Indonesia terdapat kasus penyakit kardiovaskular hingga mencapai 2.784.064 penduduk menderita penyakit jantung dan mengalami peningkatan setiap tahunnya. Penelitian ini bertujuan untuk membuat suatu model klasifikasi penyakit kardiovaskular yang optimal dengan menggunakan algoritma Backpropagation Neural Network (BPNN) . Selain itu penelitian ini juga menggunakan Synthetic Minority Oversampling Technique (SMOTE) untuk menyeimbangkan data per kelas. Model BPNN menggunakan learning rate 0,01 epoch 1.000, batch size 64, node input layer sebanyak 14, node pada hidden layer sebanyak 3 serta node pada output layer sebanyak 1 node. Data yang digunakan berjumlah 425.196 data sampel yang terdiri dari 14 fitur dan 2 kelas. Data dilakukan preprocessing melalui tahap seleksi fitur, cleaning data, transformasi data, normalisasi data lalu dilakukan oversampling menggunakan teknik SMOTE selanjutnya dilakukan klasifikasi. Pada proses training menggunakan k-fold cross validation dengan nilai k 10. Penelitian ini menggunakan 5 skenario uji coba yang dapat disimpulkan bahwa penggunaan algoritma Backpropagation Neural Network dengan SMOTE menghasilkan akurasi klasifikasi tertinggi yaitu sebesar 79,99%, presisi sebesar 79,2%, nilai recall sebesar 83,3%, dan nilai AUC sebesar 79,99%.