Evaluasi Kinerja Model LSTM Untuk Prediksi Risiko Penyakit Jantung Menggunakan Dataset
DOI:
https://doi.org/10.52436/1.jpti.821Kata Kunci:
Deep Learning, Heart Disease, LSTM, Machine Learning, Prediksi MedisAbstrak
Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, termasuk di Indonesia. Deteksi dini terhadap risiko penyakit jantung menjadi krusial dalam menurunkan angka kematian dan meningkatkan kualitas hidup pasien. Penelitian ini bertujuan untuk mengevaluasi kinerja model Long Short-Term Memory (LSTM), sebagai bagian dari metode deep learning, dalam memprediksi risiko penyakit jantung dengan menggunakan data simulasi. Data terdiri dari 70.000 entri dengan 16 variabel yang mencerminkan kondisi klinis dan gaya hidup pasien. Proses penelitian meliputi tahapan preprocessing, pelatihan model LSTM, serta evaluasi menggunakan metrik seperti akurasi, presisi, recall, F1-score, dan AUC-ROC. Hasil evaluasi menunjukkan bahwa model LSTM mencapai akurasi sebesar 0,8034, presisi 0,8055, recall 0,8023, F1-score 0,8039, dan AUC-ROC 0,8036. Meskipun performa model cukup menjanjikan, masih terdapat kelemahan berupa jumlah false negative yang signifikan. Hal ini mengindikasikan perlunya pengembangan lebih lanjut, seperti penyesuaian ambang prediksi, teknik penyeimbangan kelas, dan eksplorasi model ensemble. Penelitian ini memberikan kontribusi konkret dalam penerapan model LSTM untuk sistem prediksi risiko penyakit jantung, dan diharapkan dapat memberikan kontribusi pada pengembangan sistem prediksi penyakit jantung berbasis kecerdasan buatan. Temuan ini juga berimplikasi pada penguatan pendekatan ilmiah dalam bidang ilmu kesehatan digital dan potensi penerapannya dalam praktik klinis secara lebih luas.
Unduhan
Referensi
“Hari Jantung Sedunia 2024: Ayo Bergerak untuk Sehatkan Jantungmu,” P2PTM Kemenkes RI. Accessed: May 06, 2025. [Online]. Available: https://p2ptm.kemkes.go.id/kegiatan-p2ptm/dki-jakarta/hari-jantung-sedunia-2024-ayo-bergerak-untuk-sehatkan-jantungmu
A. Y. Permatasari, Klasifikasi Penyakit Jantung Menggunakan Metode Recurrent Neural Network (Rnn), vol. 1, no. 69. 2023.
M. C. Untoro, L. Rizta, A. Perdana, N. A. Wijaya, and N. Ferdiyanto, “Penerapan K-Means Clustering pada Imbalance Dataset Gejala Penyakit Jantung,” Ilk. J. Comput. Sci. Appl. Informatics, vol. 5, no. 1, pp. 1–7, 2023, doi: 10.28926/ilkomnika.v5i1.455.
A. S. Prabowo and F. I. Kurniadi, “Analisis Perbandingan Kinerja Algoritma Klasifikasi dalam Mendeteksi Penyakit Jantung,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 7, no. 1, pp. 56–61, 2023, doi: 10.47970/siskom-kb.v7i1.468.
A. Putranto, N. L. Azizah, and A. I. Ratna Ika, “Sistem Prediksi Penyakit Jantung Berbasis Web Menggunakan Metode SVM dan Framework Streamlit,” J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 4, no. 2, pp. 442–452, 2023, [Online]. Available: https://archive.ics.uci.edu/ml/datasets/heart+disease
S. Mallya, M. Overhage, N. Srivastava, T. Arai, and C. Erdman, “Effectiveness of LSTMs in Predicting Congestive Heart Failure Onset,” 2019, [Online]. Available: http://arxiv.org/abs/1902.02443
K. Uma and M. Hanumanthappa, “INTELLIGENT SYSTEMS AND APPLICATIONS IN ENGINEERING Integrated LSTM and PCNN Framework for Heart Disease Prediction , Treatment Recommendation , and Side Effects Management,” pp. 0–2, 2024.
A. S. Dileep, P.; Rao, K. N.; Bodapati, P.; Gokuruboyina, S.; Peddi, R.; Grover, A.; Sheetal, “An automatic heart disease prediction using cluster-based bi-directional LSTM (C-BiLSTM) algorithm,” Neural Comput. Appl., vol. 35, pp. 7253–7266, 2023, doi: 10.1007/s00521-022-07064-0.
A. Foresta et al., “Heart Beat Prediction Based on Lstm Model on Raspberry Pi,” vol. 10, no. 7, pp. 1555–1562, 2023, doi: 10.25126/jtiik.2024118015.
M. P. S. Benyamin, P. Sugiartawan, and P. S. Noviaty, “Identification of Heart Disease in Patients Using the Long Short-Term Memory (LSTM) Method,” no. Icamsac 2023, pp. 149–159, 2024, doi: 10.2991/978-94-6463-413-6_15.
V. K. Sudha and D. Kumar, “Hybrid CNN and LSTM Network For Heart Disease Prediction,” SN Comput. Sci., vol. 4, no. 2, 2023, doi: 10.1007/s42979-022-01598-9.
A. A. Ningrum, I. Syarif, A. I. Gunawan, E. Satriyanto, and R. Muchtar, “Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 3, pp. 539–548, 2021, doi: 10.25126/jtiik.2021834587.
A. Lisanthoni, E. L. Gunawan, C. A. Adhigiadany, and A. Prasetya, “Penerapan LSTM dalam Analisis Sentimen Berbasis Lexicon untuk Meningkatkan Sistem Pemantauan Citra PLN di Platform Digital,” vol. 2024, no. Senada, pp. 581–591, 2024.
J. Tian, A. Xiang, Y. Feng, Q. Yang, and H. Liu, “Enhancing Disease Prediction with a Hybrid CNN-LSTM Framework in EHRs,” J. Theory Pract. Eng. Sci., vol. 4, no. 2, pp. 8–14, 2024, doi: 10.53469/jtpes.2024.04(02).02.
D. P. Kingma and J. L. Ba, “Adam: A method for stochastic optimization,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–15, 2015.
D. Zhang, X.; Yang, W.; Zhang, “A Novel Approach for Binary Cross-Entropy in Deep Learning Models,” IEEE Access, vol. 8, pp. 25520–25530, 2020, doi: 10.1109/ACCESS.2020.2963765.
D. Callaghan, J. Burger, and A. K. Mishra, “A machine learning approach to radar sea clutter suppression,” 2017 IEEE Radar Conf. RadarConf 2017, pp. 1222–1227, 2017, doi: 10.1109/RADAR.2017.7944391.
A. Bisong, “Google Colaboratory,” in Building Machine Learning and Deep Learning Models on Google Cloud Platform, Apress, 2019, pp. 59–64. doi: 10.1007/978-1-4842-4470-8_7.
R. Hidayat, Y. S. Sy, T. Sujana, M. Husnah, and H. T. Saputra, “Implementasi Machine Learning Untuk Prediksi Penyakit Jantung Menggunakan Algoritma Support Vector Machine,” vol. 5, no. 2, pp. 161–168, 2024.
K. Jenis, H. Berdasarkan, F. Pribadi, P. Dewi, P. Purwono, and S. D. Kurniawan, “Pemanfaatan Teknologi Machine Learning pada,” pp. 377–387.
