Penerapan Algoritma Decision Tree Classifier untuk Klasifikasi Serangan Jantung

Abstract

Menggunakan perangkat lunak RapidMiner untuk menganalisis dataset serangan jantung, penelitian ini akan menerapkan algoritma Decision Tree Classifier. Fokus utama penelitian adalah untuk mengklasifikasikan kasus positif dan negatif berdasarkan tingkat Troponin dan CK-MB. Model yang dikembangkan menunjukkan tingkat akurasi, presisi, dan recall yang tinggi, yang menunjukkan bahwa itu dapat digunakan sebagai alat diagnostik yang efektif dalam praktek klinis. Jika jenis kelamin digunakan sebagai simpul keputusan sekunder, kemampuan model untuk mengklasifikasikan kasus dengan tingkat CK-MB yang borderline meningkat. Analisis awal terhadap kadar Troponin pasien menunjukkan bahwa Troponin, CK-MB, jenis kelamin, dan usia memengaruhi risiko terkena AMI dengan Troponin positif. Evaluasi model menunjukkan akurasi sebesar 99,24%, dengan precision weighted mean recall sebesar 99,14%, dan accuracy sebesar 99,26%. Dengan menggunakan penanda biologis yang tersedia, decision tree yang dibuat dapat membantu menilai risiko serangan jantung. Penelitian ini menemukan bahwa model decision tree yang dibuat dengan RapidMiner dapat menjadi alat yang efektif untuk mengklasifikasikan kasus serangan jantung berdasarkan tingkat Troponin dan CK-MB. Tingkat akurasi dan presisi yang tinggi membuat model ini menjadi alat diagnostik yang berharga. Penelitian mendatang harus mempertimbangkan penggunaan dataset yang lebih besar dan integrasi fitur tambahan untuk meningkatkan generalisasi dan akurasi model.