Klasifikasi coronary artery disease menggunakan metode Recurrent Neural Network (RNN) dan reduksi fitur relieff

Coronary Artery Disease (CAD) merupakan kondisi ketika arteri koroner mengalami penyempitan atau penyumbatan yang dapat menjadi pemicu penyakit kardiovaskular dan berujung pada kematian. Oleh karena itu, perlu adanya penanganan yang tepat oleh tenaga medis yang diawali dengan proses diagnosis CAD untuk menilai kesehatan dan kondisi arteri. Diagnosis CAD dapat dilakukan berdasarkan klasifikasi menggunakan metode Recurrent Neural Network (RNN). RNN memiliki kemampuan untuk mempertahankan dan menggunakan informasi sebelumnya dalam pengambilan keputusan. Pada penelitian ini terdapat 30 fitur sehingga dilakukan reduksi fitur menggunakan ReliefF untuk meningkatkan kinerja model RNN. Tujuan dari penelitian ini untuk memperoleh model optimal dan mengetahui pengaruh penggunaan ReliefF pada sistem klasifikasi. Uji coba dilakukan dengan memvariasikan pembagian data, learning rate, dan node hidden. Model optimum diperoleh pada k-fold 10, node hidden 200, dan learning rate 0.01. Sebelum dilakukan reduksi fitur, model mencapai akurasi 86.58%, sensitivitas 89.50%, dan spesifisitas 83.91%. Setelah dilakukan reduksi fitur dengan menggunakan fitur yang relevan sebanyak 26, terjadi peningkatan performa menjadi akurasi 88.42%, sensitivitas 90.82%, dan spesifisitas 86.09%.