Fst.umsida.ac.id – Tim peneliti dari Program Studi Informatika, Fakultas Sains dan Teknologi Universitas Muhammadiyah Sidoarjo (Fst Umsida), mengembangkan sistem prediksi penyakit jantung berbasis web menggunakan metode Support Vector Machine (SVM) dan framework Streamlit. Sistem ini dirancang untuk memberikan dukungan deteksi dini penyakit jantung dengan tingkat akurasi mencapai 85 persen.
Riset yang digagas oleh Ary Putranto, Nuril Lutvi Azizah, dan Ika Ratna Indra Astutik ini merespons kebutuhan akan teknologi diagnostik yang mudah diakses, efisien, dan mampu memberikan hasil klasifikasi yang presisi. Penyakit jantung merupakan salah satu penyebab kematian tertinggi di Indonesia, dan upaya mitigasi melalui pendekatan teknologi informasi kini menjadi semakin relevan.
Tahapan Penelitian dan Pemanfaatan Algoritma SVM
Penelitian ini dimulai dengan tahapan preprocessing data yang diambil dari dataset publik berisi 918 rekaman indikator pasien. Tahapan ini mencakup pemrosesan data mentah agar layak digunakan dalam sistem prediksi. Beberapa langkah penting di antaranya adalah penanganan data ekstrem (outlier) menggunakan metode Z-score, analisis korelasi antar variabel untuk menyaring atribut yang kurang relevan, serta penyeimbangan data (handling imbalanced data) menggunakan metode SMOTE untuk menghindari dominasi kelas mayoritas dalam proses pelatihan model.
Setelah data siap, algoritma Support Vector Machine (SVM) digunakan untuk melakukan klasifikasi. SVM dipilih karena memiliki keunggulan dalam efisiensi komputasi dan kemampuannya dalam mengatasi data non-linear. Model dikembangkan melalui tahapan pelatihan dan pengujian dengan pembagian data 80% untuk pelatihan dan 20% untuk pengujian.
Untuk mendapatkan parameter terbaik, peneliti menerapkan metode Grid Search Cross Validation. Hasil tuning menunjukkan bahwa kombinasi parameter C sebesar 0.1, gamma 0.01, dan kernel polynomial menghasilkan performa model terbaik dengan tingkat akurasi 85%, presisi 78%, dan recall 89%.
Implementasi Sistem Berbasis Web
Setelah model prediksi dibentuk, tahap selanjutnya adalah deployment model ke dalam sistem berbasis web menggunakan framework Streamlit. Streamlit dipilih karena kemampuannya membangun aplikasi berbasis data science secara interaktif tanpa perlu pengaturan front-end yang kompleks.
Dalam pengembangannya, model machine learning disimpan dalam format pickle dan diintegrasikan dalam aplikasi web. Sistem ini memungkinkan pengguna untuk memasukkan data indikator seperti usia, jenis kelamin, tekanan darah, kolesterol, detak jantung maksimum, dan parameter lain yang menjadi penentu utama risiko penyakit jantung.
Melalui tampilan antarmuka yang sederhana dan responsif, pengguna cukup mengisi data yang diminta dan sistem akan memberikan hasil klasifikasi: apakah individu tersebut terindikasi memiliki risiko penyakit jantung atau tidak.
Pengujian Sistem dan Evaluasi Kinerja
Sistem yang telah dikembangkan diuji menggunakan metode black box untuk memastikan bahwa fungsi dan respons aplikasi bekerja sesuai harapan. Pengujian dilakukan dengan cara memasukkan data secara acak ke dalam form sistem dan mengevaluasi output-nya.
Hasil pengujian menunjukkan bahwa semua fungsi bekerja dengan baik. Input dapat diterima, diproses dengan cepat, dan menghasilkan output sesuai dengan yang diharapkan. Hal ini memperkuat bahwa sistem layak digunakan sebagai alat bantu deteksi dini.
Secara keseluruhan, model prediksi ini menunjukkan bahwa algoritma SVM dengan kernel polynomial cocok diterapkan pada kasus penyakit jantung yang memiliki distribusi data tidak linear. Dengan nilai akurasi, presisi, dan recall yang tinggi, sistem memiliki keandalan cukup baik dalam mengklasifikasi data baru.
Kontribusi dan Implikasi Penelitian
Penelitian ini memberikan kontribusi nyata dalam pengembangan teknologi medis berbasis web, khususnya dalam mendukung upaya pencegahan penyakit jantung sejak dini. Sistem ini berpotensi menjadi alat bantu yang dapat diintegrasikan dalam layanan kesehatan masyarakat atau digunakan oleh individu secara mandiri.
Selain itu, pendekatan menggunakan Streamlit membuka peluang bagi para pengembang dan peneliti di bidang lain untuk mengadopsi framework ini dalam membangun aplikasi machine learning yang cepat dan praktis.
Dengan jumlah penderita penyakit jantung yang terus meningkat di Indonesia, inovasi seperti ini memiliki nilai strategis yang tinggi. Diharapkan ke depan sistem ini dapat diperluas penggunaannya untuk prediksi penyakit lainnya atau ditingkatkan dengan fitur pelaporan dan integrasi data real-time dari perangkat kesehatan.
Sumber: KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen), Vol. 4, No. 2, April 2023
Penulis: Annifa Umma’yah Bassiroh
