Prediction of Heart Failure in Patients using Five Types of  Algorithms

Charles

doi:10.63017/jdsi.v4i1.129

Authors

Charles Department of Informatics Engineering, Institut Bisnis dan Teknologi Pelita Indonesia, Pekanbaru, Riau, Indonesia

DOI:

https://doi.org/10.63017/jdsi.v4i1.129

Keywords:

algorithm, analysis, Classification, heart failure, prediction

Abstract

Heart failure is one of the cardiovascular diseases that has a significant impact on patients' quality of life and requires appropriate medical treatment. With the advancement of technology, the use of machine learning algorithms to predict the risk of heart failure can enhance the efficiency of diagnosis and treatment. This study aims to compare the performance of five machine learning algorithms in predicting heart failure in patients. The algorithms used in this study are K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Naïve Bayes, and Deep Learning. The dataset contains patients' medical data, including medical history, symptoms, and clinical test results. The evaluation method was carried out by measuring the accuracy, precision, recall, and F1-score of each algorithm. The results show that the Random Forest algorithm achieved the best performance in terms of accuracy and prediction stability, followed by Deep Learning and Naïve Bayes.

References

H. A. Aripin, “Outcome Prediction Untuk Penyakit Jantung Dengan Algoritma Artificial Neural Network,” Jun. 2021.

M. A. Abubakar, M. Muliadi, A. Farmadi, R. Herteno, and R. Ramadhani, “Random Forest Dengan Random Search Terhadap Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung,” no. 1, Mar. 2023.

S. Adi and A. Wintarti, “Komparasi Metode Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Dan Random Forest (RF) Untuk Prediksi Penyakit Gagal Jantung,” 2022.

F. Fredilio, J. Rahmad, S. H. Sinurat, D. R. H. Sitompul, D. J. Ziegel, and E. Indra, “Perbandingan Algoritma K-Nearest Neighbors (K-NN) dan Random Forest Terhadap Penyakit Gagal Jantung,” Mar. 2023.

D. A. Muhammad, R. Amril, and M. Siregar, “Penerapan Algoritma K-Nearest Neighbord Untuk Prediksi Kematian Akibat Penyakit Gagal Jantung,”

A. Charis Fauzan, “Penerapan Algoritma Decision Tree C5.0 Untuk Memprediksi Tingkat Kematian Pasien Penyakit Gagal Jantung Application of The C5.0 Decission Tree Algorithm to Predict Patient Mortality Rate Heart Failure Disease,”

Edric and Saut Parsoaran Tamba, “Prediksi Penyakit Gagal Jantung Dengan Menggunakan Random Forest,” Feb. 2022.

D. Cahya and P. Buani, “Penerapan Algoritma Naïve Bayes dengan Seleksi Fitur Algoritma Genetika Untuk Prediksi Gagal Jantung,” 2021.

S. Y. Prasetyo, “Prediksi Gagal Jantung Menggunakan Artificial Neural Network,”

A. Rachmat Raharja, A. Pramudianto, and Y. Muchsam, “Penerapan Algoritma Decision Tree dalam Klasifikasi Data ‘Framingham’ Untuk Menunjukkan Risiko Seseorang Terkena Penyakit Jantung dalam 10 Tahun Mendatang.”

A. Riani, Y. Susianto, and N. Rahman, “Implementasi Data Mining Untuk Memprediksi Penyakit Jantung Mengunakan Metode Naive Bayes,” 2019.

D. H. Depari et al., “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung”.

R. Arisadi, “Perbandingan Model Klasifikasi Random Forest Dengan Resampling dan Tanpa Resampling Pada Pasien Penderita Gagal Jantung,” May 2023.

A. Rachmat Raharja, A. Pramudianto, and Y. Muchsam, “Penerapan Algoritma Decision Tree dalam Klasifikasi Data ‘Framingham’ Untuk Menunjukkan Risiko Seseorang Terkena Penyakit Jantung dalam 10 Tahun Mendatang.”

A. Wulan, N. Dari, and I. N. Fajri, “Penerapan Algoritma K-Nearest Neighbor (KNN) Untuk Klasifikasi Resiko Penyakit Jantung,”

L. A. Dewi, “Klasifikasi Machine Learning Untuk Mendeteksi Penyakit Jantung Dengan Algoritma K-NN, Decision Tree Dan Random Forest,” Feb. 2023.

B. F. Sitanggang and P. Sitompul, “Deteksi Awal Kelangsungan Hidup Pasien Gagal Jantung Menggunakan Machine Learning Metode Random Forest,” 2024.

S. A. T. Al Azhima, I. Kustiawan, M. Al Qibtiya, N. S. Syafei, D. Darmawan, and N. F. A. Hakim, “Hybrid Machine Learning Model Untuk Memprediksi Penyakit Jantung Dengan Metode Logistic Regression Dan Random Forest,” Jul. 2022.