PEMODELANPREDIKSIPENYAKITJANTUNGMENGGUNAKAN STACKINGENSEMBLE

Penyakit jantung tetap menjadi salah satu penyebab kematian tertinggi di dunia, khususnya di negara berkembang yang masih menghadapi keterbatasan dalam deteksi dini. Permasalahan tersebut dibutuhkan model prediksi yang akurat dan dapat diinterpretasikan untuk mendukung diagnosis lebih awal dan mengurangi angka kematian. Penelitian ini bertujuan untuk membangun model prediksi penyakit jantung dengan metode stacking ensemble guna meningkatkan akurasi dan stabilitas hasil prediksi. Model dibentuk dari kombinasi model Random Forest dan model XGBoost sebagai model dasar, serta model Logistic Regression sebagai meta-model yang menggabungkan hasil prediksi. Guna meningkatkan kinerja model, dilakukan optimasi hyperparameter menggunakan Randomized search. Evaluasi dilakukan dengan teknik K-Fold Cross Validation dan menggunakan metrik AUC-ROC sebagai indikator utama. Selain itu, dilakukan analisis feature importance yang paling berpengaruh adalah thal (kelainan pada darah), ca (jumlah pembuluh darah), cp (jenis nyeri dada). Hasil penelitian menunjukkan bahwa metode stacking ensemble menghasilkan skor AUC tertinggi sebesar 0,932 pada skenario validasi 3-Fold, dan mengungguli model individu sebelumnya yang mencapai skor AUC 0,918 dengan peningkatan AUC sebesar 1,52%. Temuan ini menunjukkan bahwa kombinasi metode ensemble dan interpretabilitas dapat menghasilkan prediksi yang andal serta mendukung pengambilan keputusan medis berbasis data.

Kata Kunci — Prediksi penyakit jantung, stacking ensemble, evaluasi model, feature importance, machine learning