Stacking Ensemble Framework Untuk Prediksi Risiko Penyakit Jantung Berbasis Machine Learning

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian global dengan estimasi sekitar 19,2 juta kematian setiap tahun, sehingga deteksi dini menjadi sangat penting dalam upaya pencegahan. Penelitian ini bertujuan untuk mengembangkan model prediksi risiko penyakit jantung menggunakan pendekatan Stacking Ensemble berbasis machine learning. Data yang digunakan adalah Heart Statlog Dataset, yang merupakan gabungan dataset Cleveland, Hungary, Switzerland, dan Long Beach VA dari UCI Machine Learning Repository, dengan total 1.190 observasi dan 11 fitur klinis. Metode stacking mengombinasikan Logistic Regression, Random Forest, dan K-Nearest Neighbor (KNN) sebagai base learner, serta Logistic Regression sebagai meta-learner. Data penelitian dibagi menjadi data latih dan data uji dengan proporsi 80:20, di mana pada data latih diterapkan metode Stratified 5-Fold Cross-Validation untuk menjaga stabilitas dan generalisasi model. Hasil penelitian menunjukkan bahwa model Stacking Ensemble mampu menghasilkan performa yang lebih baik dibandingkan model tunggal dengan hasil evaluasi accuracy sebesar 88,5%, precision sebesar 90,5%, recall sebesar 89,7%, F1-score sebesar 90,1% serta nilai AUC-ROC sebesar 93,9%. Hasil tersebut menunjukkan bahwa pendekatan ensemble melalui teknik stacking mampu meningkatkan kemampuan model dalam mengidentifikasi risiko penyakit jantung secara lebih akurat dan stabil. Selain itu, hasil analisis faktor klinis menunjukkan bahwa fitur ST slope, Chest Pain Type, dan Cholesterol memberikan pengaruh paling besar dalam menentukan risiko penyakit jantung.