Optimasi Pemilihan Fitur untuk Prediksi Penyakit Jantung Menggunakan Algoritma Genetika dan Random Forest

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, menekankan urgensi prediksi dini dan manajemen risiko yang efektif. Dalam upaya meningkatkan akurasi prediksi penyakit jantung, penelitian ini mengusulkan pendekatan metode GridSearchCV (GS) dan Genetic Algorithm Feature Selection (GA-FS) pada model Random Forest (RF). Setelah proses seleksi fitur dengan GA-FS, dari sebelas atribut awal dimasukkan, delapan atribut terpilih, yakni Sex, ChestPainType, RestingBP, Cholesterol, FastingBS, RestingECG, ExerciseAngina, dan ST_Slope, sementara atribut Age, MaxHR, dan Oldpeak dieliminasi. Hasil penelitian menunjukkan bahwa model RF yang dioptimalkan dengan GS dan GA-FS (RF-GS-GAFS) mencapai akurasi 91.85%, presisi 95.10%, recall 90.65%, dan F1-Score 92.82%, mengungguli model RF dengan optimasi GS (89.67%) dan RF tanpa optimalisasi (88.04%). Temuan ini memberikan kontribusi positif yang signifikan dalam meningkatkan kinerja model prediksi penyakit jantung melalui optimalisasi parameter dan pemilihan fitur menggunakan algoritma genetik.