Klasifikasi Tingkat Risiko Kardiovaskular Berbasis Pola Aktivitas Harian Menggunakan Random Forest

Abstract

Penyakit kardiovaskular merupakan penyebab kematian utama di dunia, sementara pemantauan mandiri yang non-invasif masih terbatas. Penelitian ini bertujuan membangun model klasifikasi tingkat risiko kardiovaskular (rendah, sedang, tinggi) berbasis pola aktivitas harian dan indikator kesehatan menggunakan algoritma Random Forest, serta mengimplementasikannya pada purwarupa sistem berbasis web. Data sekunder bersumber dari dataset Sleep Health and Lifestyle di Kaggle sebanyak 940 data mentah, dengan enam variabel masukan: tekanan darah, kategori indeks massa tubuh, detak jantung, tingkat stres, durasi dan gangguan tidur, serta jumlah langkah harian. Label risiko dibentuk dengan aturan ambang indikator kesehatan karena dataset tidak memiliki label risiko. Pra-pemrosesan meliputi pembersihan data, transformasi, standardisasi, dan penyeimbangan kelas dengan SMOTE pada data latih, menghasilkan 507 data bersih yang dibagi dengan rasio 80:20. Model dengan 100 pohon keputusan dievaluasi menggunakan confusion matrix. Hasil menunjukkan akurasi 99,77% dengan satu kesalahan klasifikasi pada data uji, serta F1-score rata-rata makro 99,80%. Karena label diturunkan dari variabel yang sama dengan fitur model, capaian ini mencerminkan kemampuan model mereplikasi aturan pelabelan dan belum merupakan bukti kemampuan prediksi klinis. Sistem web yang dikembangkan menyediakan formulir masukan, visualisasi hasil, grafik kepentingan fitur, dan riwayat pemeriksaan. Penelitian lanjutan memerlukan data berlabel diagnosis klinis dan validasi eksternal.