Perbandingan Kinerja Artificial Neural Network Random Forest dan LightGBM dalam Prediksi Penyakit Jantung Menggunakan Dataset Kaggle

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia dan memerlukan deteksi dini yang akurat berbasis data klinis. Penelitian ini membandingkan kinerja tiga algoritma machine learning, yaitu Artificial Neural Network (ANN), Random Forest Classifier (RFC), dan Light Gradient Boosting Machine (LightGBM), dalam memprediksi penyakit jantung. Dataset yang digunakan berasal dari Kaggle, terdiri dari 918 sampel dan 11 fitur klinis. Proses pra-pemrosesan meliputi imputasi, encoding, normalisasi, serta penerapan SMOTE untuk menangani ketidakseimbangan data. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, F1-score, AUC, serta didukung oleh analisis Confusion Matrix, interpretasi SHAP value, dan uji signifikansi McNemar. Hasil menunjukkan bahwa RFC memberikan performa terbaik dengan akurasi 95,37% dan AUC 0,9346. ANN mencatat precision tertinggi sebesar 91,18%, sedangkan LightGBM unggul dalam efisiensi pelatihan. Berdasarkan hasil tersebut, RFC direkomendasikan sebagai model optimal untuk prediksi penyakit jantung. Penelitian ini berkontribusi dalam pengembangan sistem pendukung keputusan berbasis machine learning di bidang kesehatan.