Perpustakaan Digital ITB

Penyakit kardiovaskular merupakan penyakit yang memiliki tingkat mortalitas tertinggi dengan faktor penyakit diabetes melitus tipe 2, gaya hidup seperti merokok, konsumsi alkohol dan obesitas menjadi katalisator tertinggi terhadap kondisi tersebut. Melihat karakteristik alamiah dan perkembangan dari dunia medis, terjadi keterhambatan dalam melaksanakan proses deteksi diagnosa secara dini. Saat ini, sistem prediksi atas level risiko penyakit kardiovaskular telah dilakukan pada Studi Framingham, dengan limitasi terhadap objek usia dan epidemiologi. Selain itu, studi terhadap sistem prediksi dengan menggunakan pendekatan logika fuzzy dan supervised machine learning secara terpisah sudah marak dilakukan dengan faktor risiko tertentu, menghasilkan akurasi yang beranekaragam. Penangkapan karakteristik ketidakpastian medis belum sepenuhnya diatasi dengan baik oleh pengembangan supervised machine learning maupun dan inefisiensi masih ditemukan dalam pengembangan logika fuzzy secara terpisah. Dalam penelitian ini, pengembangan sistem prediksi level risiko dengan menggabungkan pendekatan logika fuzzy dan supervised machine learning dengan algoritma Random Forest dilakukan untuk melengkapi dan meningkatkan performa dalam menangani ketidakpastian medis dan prediksi yang lebih akurat. Hasil dari penelitian menunjukkan bahwa terjadi peningkatan nilai akurasi model sebesar 25,6% dan skor ROC-AUC sebesar 13,4%.