Klasifikasi Resiko Penyakit Jantung Menggunakan Metode Support Vector Machine (SVM) dengan Seleksi Fitur Information Gain

Salah satu penyebab kematian paling umum di dunia adalah penyakit jantung. Deteksi dini penyakit jantung sangat penting untuk mengurangi risiko kematian dan meningkatkan kualitas hidup pasien. Tujuan penelitian ini adalah untuk membuat model klasifikasi penyakit jantung menggunakan metode Support Vector Machine (SVM) dengan teknik Synthetic Minority Over-Sampling Technique (SMOTE) dan menggunakan metode Information Gain untuk meningkatkan kinerja model. Dataset yang digunakan dalam penelitian ini terdiri dari beberapa fitur yang berisi gejala klinis yang terkait dengan kondisi jantung. Sebelum diklasifikasikan, data diproses melalui proses preprocessing seperti penanganan missing value, normalisasi, dan pembagian menjadi data latih dan data uji. Information Gain digunakan untuk memilih fitur yang paling relevan untuk meningkatkan akurasi model. Kemudian permodelan Support Vector Machine digunakan untuk menentukan kelas pasien yang beresiko dan tidak beresiko penyakit jantung. Hasil penelitian menunjukkan bahwa model terbaik diperoleh dari kombinasi antara metode Support Vector Machine (SVM) dengan Teknik SMOTE dan Information Gain menggunakan kernel RBF dengan parameter C 100 dan gamma 0.5 pada pembagian data 90:10 dengan nilai accuracy 68%, precision 25%, recall 58%, dan F1-score 35%. Hasil tersebut menunjukkan bahwa SMOTE dan Information Gain dapat meningkatkan kemampuan model untuk mengidentifikasi kelas minoritas sehingga perfoma proses klasifikasi lebih seimbang.