THE IMPACT OF CORRELATION-BASED FEATURE SELECTION ON THE PERFORMANCE OF CORONARY HEART DISEASE PREDICTION USING RANDOM FOREST AND MULTI-LAYER PERCEPTRON MODELS

Penyakit Jantung (HD) telah membunuh lebih dari 17,9 juta orang di seluruh dunia dan secara konsisten menjadi penyebab utama kematian di banyak negara. HD terdiri dari berbagai faktor yang mempengaruhi struktur atau fungsi jantung. Hal ini menyulitkan praktisi medis untuk mendiagnosis dengan cepat dan akurat. Pembelajaran mesin (ML) dan kecerdasan buatan (AI) merupakan kontributor yang signifikansektor obat-obatan. Berbagai teknik dan metodologi dapat digunakan untuk mendiagnosis HD secara efektif dan akurat. Namun demikian, meningkatnya ketersediaan kumpulan data medis menghadirkan tantangan bagi para praktisi dalam memahami korelasi fitur rumit yang diperlukan untuk mengembangkan prediksi HD. Sementara itu, penelitian mengenai pemilihan fitur masih terbatas. Penelitian ini bertujuan untuk mengkaji dampak pemilihan fitur berdasarkan korelasi terhadap kinerja model Multi-Layer Perceptron (MLP) dan Random Forest (RF) yang memanfaatkan fitur yang ditentukan. Seleksi fitur pada penelitian ini akan memanfaatkan matriks korelasi untuk menilai kekuatan korelasi antara fitur dengan fitur target. Fitur dengan korelasi kuat akan dipertahankan, sedangkan fitur dengan korelasi terendah akan dihilangkan. Setelah menghilangkan empat fitur, akurasi, presisi, perolehan, dan skor f1 model RF meningkat menjadi 85%, 85%, 92%, dan 88%. Sebaliknya, model MLP, setelah mengurangi dua dan tiga fitur, mencapai kinerja seimbang sebesar 84%, 86%, 89%, dan 86% untuk pengurangan dua fitur, sedangkan mencapai 84, 86, 86, dan 86 untuk menghilangkan tiga fitur. Selain itu, akurasinya menunjukkan penurunan setelah 4 fitur dihilangkan. Meski demikian, skor recall meningkat menjadi 97%. Studi ini menunjukkan bahwa proses pemilihan fitur dapat berdampak signifikan terhadap akurasi, presisi, dan perolehan skor.