Analisis Performa Model Prediksi Pasien Readmisi Gagal Jantung Menggunakan Algoritma Machine Learning

Penyakit kardiovaskular (CVD) merupakan penyebab utama kematian global, dengan 17,9 juta kematian pada 2019 menurut WHO. Salah satu komplikasi seriusnya adalah gagal jantung, yang memiliki tingkat readmisi tinggi serta
berdampak pada beban ekonomi dan kualitas hidup pasien. Tugas akhir ini membahas tentang evaluasi performa algoritma machine learning Random Forest, Decision Tree, dan Gradient Boosting dalam memprediksi risiko readmisi pasien gagal jantung menggunakan data dari PhysioNet, terdiri dari 2008 data pasien dan 167 fitur. Imputasi nilai hilang dilakukan dengan metode K-Nearest Neighbors (KNN), dan evaluasi model difokuskan pada recall kelas 1 (readmisi). Hasil menunjukkan Decision Tree memiliki akurasi 0.56 dan nilai recall sebesar 0.57,
Gradient Boosting memiliki nilai akurasi sebesar 0.61 dan nilai recall 0.45, serta Random Forest memiliki nilai akurasi 0.63 dan nilai recall 0.37. Meskipun Random Forest memiliki akurasi keseluruhan yang baik, Decision Tree lebih sensitif dalam mendeteksi kasus readmisi, sehingga lebih sesuai dalam konteks deteksi dini readmisi pasien gagal jantung. Analisis feature importance mengidentifikasi left
ventricular end diastolic diameter LV sebagai fitur paling berpengaruh. Fitur tersebut menggambarkan kemampuan ventrikel kiri jantung dalam menampung darah sebelum berkontraksi. Hal ini sejalan dengan tulisan penelitian yang dilakukan tim dokter Gizem Kasa et al. dan peneliti Zamfirescu et al.