DETEKSI PENYAKIT JANTUNG MENGGUNAKAN METODE HIBRID CNN-LSTM PADA DATA TIDAK SEIMBANG

Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia. Di Indonesia, penyakit jantung menempati posisi pertama sebagai penyebab kematian. Deteksi dini penyakit jantung sangat penting untuk mengurangi risiko kematian. Teknologi Kecerdasan Buatan (AI), khususnya machine learning dan deep learning, telah menunjukan potensi besar dalam membantu prediksi penyakit jantung. Berbagai metode AI seperti Naïve Bayes, Logistic Regression, Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM) telah diterapkan deteksi penyakit jantung. Penelitian ini mengusulkan penggunaan model hybrid CNN-LSTM untuk meningkatkan akurasi prediksi penyakit jantung. Metode penelitian meliputi pengoptimalisasi parameter dari artikel sebelumnya dan penerapan Teknik oversampling dan undersampling untuk menangani ketidak seimbangan data. Hasil penelitian menunjukkan bahwa optimalisasi paratmeter dan teknik oversampling efektif dalam menangani data yang tidak seimbang, meskipun akurasi tidak selalu menjadi indikator kinerja model yang lebih baik. Dengan model Hibrid CNN-LSTM menunjukan peningkatan metrik evaluasi seperti precision, recall, dan F1-Score. Model dengan Teknik oversampling mencapai akurasi 82%, precision 82%, recall 82%, dan F1-Score 82%. Hasil ini menunjukan bahwa model lebih seimbang dan lebih baik dalam memprediksi kedua kelas dibandingkan dengan data yang tidak seimbang atau Teknik undersampling.