Peningkatan Performa Classification and Regression Tree Menggunakan Bagging pada Diagnosis Penyakit Jantung

Abstrak

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga diperlukan metode diagnosis yang cepat dan akurat untuk menanggulanginya. Salah satu pendekatan yang dapat digunakan adalah data mining, khususnya metode klasifikasi untuk menganalisis data kesehatan. Algoritma Classification and Regression Tree (CART) dikenal memiliki keunggulan dalam hal interpretabilitas, namun memiliki kelemahan dari segi kestabilan model terhadap perubahan data. Untuk mengatasi kelemahan tersebut, diterapkan teknik Bootstrap Aggregating (Bagging) guna meningkatkan kestabilan dan akurasi model. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi efektivitas teknik Bagging dalam meningkatkan performa algoritma CART dalam diagnosis penyakit jantung. Data yang digunakan dalam penelitian ini terdiri dari tiga dataset yang tersedia di platform Kaggle, yaitu Heart Disease, Heart Disease Cleveland, dan Heart Disease Prediction. Model dibangun dalam dua kondisi, yaitu menggunakan parameter default dan parameter hasil tuning dengan metode Grid Search. Proses penelitian mencakup tahapan preprocessing data (penyesuaian tipe data, missing value, dan outlier), pelatihan dua jenis model klasifikasi (CART tunggal dan CART dengan Bagging), serta evaluasi berdasarkan metrik akurasi. Hasil penelitian menunjukkan bahwa penerapan teknik Bagging secara konsisten meningkatkan akurasi algoritma CART. Pada kondisi parameter default, akurasi meningkat dari 72,89% menjadi 78% (Heart Disease), 81,89% menjadi 85,78% (Heart Disease Cleveland), dan 77,44% menjadi 82,44% (Heart Disease Prediction). Sedangkan pada parameter hasil tuning, akurasi meningkat dari 75% menjadi 84% (Heart Disease), 77% menjadi 83% (Heart Disease Cleveland), dan tetap 83% (Heart Disease Prediction). Dengan demikian, teknik Bagging terbukti efektif dalam meningkatkan akurasi dan kestabilan model CART untuk diagnosis penyakit jantung.