Classification of Heart Attack Disease Using Machine Learning Algorithms
Article Sidebar
Main Article Content
Abstract
This study develops a classification model to determine whether an individual is at risk of having a heart attack or not. Heart attacks are among the most dangerous medical conditions and the leading cause of death worldwide. A person's likelihood of developing heart disease is increased by a number of risk factors, including age, gender, unhealthy lifestyle, poor diet, stress, lack of physical activity, and genetic factors. C4.5, K-Nearest Neighbor (KNN), Naïve Bayes Classifier (NBC), Random Forest, Logistic Regression, Neural Network, and Support Vector Machine (SVM) are the seven machine learning methods used in this study. The data came from a Kaggle public dataset that included 14 predicted characteristics and 303 patient records. To determine which model was best at identifying the risk of a heart attack, each algorithm was assessed using criteria for accuracy, precision, and recall. With an accuracy, precision, and recall of 84.20%, the KNN algorithm performed the best, according to the data, whereas C4.5 performed the worst on all three measures (72.60%). This analysis aids in choosing the best model for early heart attack prediction and sheds light on how well different algorithms classify heart attacks.
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
[1] S. A. T. Al Azhima, D. Darmawan, N. F. A. Hakim, I. Kustiawan, M. Al Qibtiya, and N. S. Syafei, “Hybrid Machine Learning Model Untuk Memprediksi Penyakit,” J. Teknol. Terpadu, vol. 8, no. 1, pp. 40–46, 2022.
[2] A. Riski, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung,” J. Tek. Inform. Kaputama, vol. 3, no. 1, pp. 22–28, 2019, [Online]. Available: https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/141/156
[3] D. Sitanggang, N. Nicholas, V. Wilson, A. R. A. Sinaga, and A. D. Simanjuntak, “Implementasi Data Mining Untuk Memprediksi Penyakit Jantung Menggunakan Metode K-Nearest Neighbor Dan Logistic Regression,” J. Tek. Inf. dan Komput., vol. 5, no. 2, p. 493, 2022, doi: 10.37600/tekinkom.v5i2.698.
[4] C. Susilo, “Identifikasi Faktor Usia, Jenis Kelamin Dengan Luas Infarkiokard Pada Penyakit Jantung Koroner (PJK) Di Ruang ICCU Rsd Dr. Soebandi Jember,” pp. 1–23, 2016.
[5] Bertalina and S. AN, “Hubungan Asupan Natrium, Gaya Hidup, Dan Faktor Genetik Dengan Tekanan Darah Pada Penderita Penyakit Jantung Koroner,” J. Kesehat., vol. 8, no. 2, p. 240, 2017, doi: 10.26630/jk.v8i2.467.
[6] W. Wardiyana and T. Herawati, “Literature Review: Perubahan Perilaku Hidup Sehat pada Pasien Penyakit Jantung Berbasis Aplikasi Game Smartphone,” JHCN J. Heal. Cardiovasc. Nurs., vol. 3, no. 2, 2023, doi: 10.36082/jhcn.v3i2.1462.
[7] K. Karyatin, “Faktor-Faktor Yang Berhubungan Dengan Kejadian Penyakit Jantung Koroner,” J. Ilm. Kesehat., vol. 11, no. 1, pp. 37–43, 2019, doi: 10.37012/jik.v11i1.66.
[8] L. F. Tampubolon, A. Ginting, and F. E. S. Turnip, “Gambaran Faktor yang Mempengaruhi Kejadian Penyakit Jantung Koroner (PJK) di Pusat Jantung Terpadu (PJT),” J. Ilm. Permas J. Ilm. STIKES Kendal, vol. 13, no. 3, pp. 1043–1052, 2023, doi: 10.32583/pskm.v13i3.1077.
[9] F. S. Nugraha, M. J. Shidiq, and S. Rahayu, “Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Kanker Payudara,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 149–156, 2019, doi: 10.33480/pilar.v15i2.601.
[10] E. Ramon, A. Nazir, N. Novriyanto, Y. Yusra, and L. Oktavia, “Klasifikasi Status Gizi Bayi Posyandu Kecamatan Bangun Purba Menggunakan Algoritma Support Vector Machine (SVM),” J. Sist. Inf. dan Inform., vol. 5, no. 2, pp. 143–150, 2022, doi: 10.47080/simika.v5i2.2185.
[11] Suhliyyah, H. H. Handayani, and K. A. Baihaqi, “Implementasi Algoritma Logistic Regression Untuk Klasifikasi Penyakit Stroke,” Syntax J. Inform., vol. 12, no. 01, pp. 15–23, 2023.
[12] R. E. Pambudi, Sriyanto, and Firmansyah, “Klasifikasi Penyakit Stroke Menggunakan Algoritma Decision Tree C4.5,” J. Tek., vol. x, No.x, no. x, pp. 1–5, 2022.
[13] R. I. Borman and M. Wati, “Penerapan Data Maining Dalam Klasifikasi Data Anggota Kopdit Sejahtera Bandarlampung Dengan Algoritma Naïve Bayes,” J. Ilm. Fak. Ilmu Komput., vol. 09, no. 01, pp. 25–34, 2020.
[14] S. R. Cholil, T. Handayani, R. Prathivi, and T. Ardianita, “Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 6, no. 2, pp. 118–127, 2021, doi: 10.31294/ijcit.v6i2.10438.
[15] Y. P. Astuti, A. R. Wibowo, E. Kartikadarma, E. R. Subhiyakto, N. A. Sri Winarsih, and M. S. Rohman, “Penerapan Metode Naïve Bayes Classifier Untuk Klasifikasi Sentimen Pada Judul Berita,” LogicLink, vol. 1, no. 1, pp. 1–12, 2024, doi: 10.28918/logiclink.v1i1.7684.
[16] P. Mata, P. Matematika, D. Z. Azhari, I. S. Damanik, and D. Suhendro, “Penerapan Algoritma C4 . 5 Untuk Klasifikasi Tingkat Pemahaman Siswa,” Penerapan Algoritm. C4.5 Untuk Klasifikasi Tingkat Pemahaman Siswa Pada mata pelajaran Mat., vol. 1, no. 1, pp. 11–20, 2022.
[17] S. Linawati, S. Nurdiani, K. Handayani, and L. Latifah, “Prediksi Prestasi Akademik Mahasiswa Menggunakan Algoritma Random Forest Dan C4.5,” J. Khatulistiwa Inform., vol. 8, no. 1, pp. 47–52, 2020, doi: 10.31294/jki.v8i1.7827.
[18] Y. Tampil, H. Komaliq, and Y. Langi, “Analisis Regresi Logistik Untuk Menentukan Faktor-Faktor Yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa FMIPA Universitas Sam Ratulangi Manado,” d’CARTESIAN, vol. 6, no. 2, p. 56, 2017, doi: 10.35799/dc.6.2.2017.17023.
[19] P. R. Sihombing, “Perbandingan Metode Artificial Neural Network (ANN) dan Support Vector Machine (SVM) untuk Klasifikasi Kinerja Perusahaan Daerah Air Minum (PDAM) di Indonesia,” J. Ilmu Komput., vol. 13, no. 1, p. 9, 2020, doi: 10.24843/jik.2020.v13.i01.p02.
[20] R. A. Permana and S. Sahara, “Metode Support Vector Machine Sebagai Penentu Kelulusan Mahasiswa pada Pembelajaran Elektronik,” J. Khatulistiwa Inform., vol. 7, no. 1, pp. 50–58, 2019, doi: 10.31294/jki.v7i1.5743.