Prediksi Gagal Jantung Berbasis Deep Learning dengan Algoritma Long Short Term Memory

Abstrak

Penyakit gagal jantung merupakan salah satu penyebab kematian tertinggi di dunia. Deteksi dini dan analisis yang akurat sangat penting untuk penanganan yang tepat. Penelitian ini mengusulkan penggunaan algoritma Long Short-Term Memory (LSTM) untuk menganalisis dan memprediksi perkembangan penyakit gagal jantung berdasarkan data medis pasien. Model LSTM yang dikembangkan menggunakan platform Python dengan library TensorFlow dan Keras, serta dataset "Heart Failure Prediction" dari Kaggle.com. Hasil penelitian menunjukkan bahwa model LSTM dengan rasio data pelatihan dan pengujian 70:30 (Model B) mencapai performa terbaik dengan akurasi sebesar 0.869, presisi 0.869, recall 0.869, dan F1-score 0.869. Model ini menunjukkan kemampuan yang konsisten dalam mengidentifikasi kasus positif dan negatif gagal jantung, serta efektif dalam mengurangi overfitting. Secara keseluruhan, penelitian ini memberikan kontribusi dalam pengembangan metode prediksi penyakit gagal jantung yang lebih akurat dan efisien.