Sistem deteksi kondisi gagal jantung menggunakan isolation forest-support vector machine

Gagal jantung merupakan masalah kesehatan utama yang berkontribusi pada tingginya angka kematian. Deteksi dini sering terkendala oleh kompleksitas data medis dan keberadaan outlier yang menurunkan kinerja model klasifikasi. Support Vector Machine (SVM) memiliki kemampuan klasifikasi yang baik namun sensitif terhadap outlier. Penelitian ini mengusulkan kombinasi Isolation Forest (IF) dan SVM untuk meningkatkan performa dan kestabilan model. Penelitian ini bertujuan untuk menganalisis performa klasifikasi gagal jantung menggunakan metode Support Vector Machine yang bergabung dengan Isolation Forest berdasarkan metrik Accuracy, Sensitivity, Specificity, dan F1-Score. Proses tersebut juga membandingkan hasil kerja antara metode Support Vector Machine standar dan metode Support Vector Machine berbasis Isolation Forest untuk melihat perbedaan tingkat keberhasilannya. Hasil penelitian menunjukkan bahwa penerapan IF secara signifikan meningkatkan performa klasifikasi dibandingkan SVM standar, di mana akurasi tertinggi pada SVM standar dengan kernel linear sebesar 86.92% berhasil meningkat sebesar 3% menjadi 89.38% melalui penggunaan kernel polynomial pada model IF-SVM. Kombinasi parameter paling optimal diperoleh pada tingkat Contamination Percentage 23%, k-fold 10, kernel polynomial, nilai C=2, gamma=0.1, dan degree 4, yang menghasilkan akurasi 89.38%, sensitivitas 91.24%, spesifisitas 87.08%, dan F1-Score 90.24%. Hasil uji beda non-parametrik mengonfirmasi bahwa penanganan outlier memberikan pengaruh signifikan pada variabel tertentu yang berkontribusi terhadap peningkatan kestabilan akurasi model. Temuan ini menunjukkan bahwa integrasi IF dan SVM efektif dalam meningkatkan akurasi dan keseimbangan metrik evaluasi pada deteksi dini gagal jantung.