KOMBINASI METODE FEATURE SELECTION WRAPPER DAN NAÏVE BAYES UNTUK KLASIFIKASI TINGKAT KESELAMATAN PASIEN DENGAN GAGAL JANTUNG

Penyakit kardiovaskuler (CVD) adalah gangguan pada jantung dan pembuluh darah
termasuk, penyakit jantung koroner (serangan jantung), penyakit serebrovaskular
(stroke), gagal jantung, dan jenis patologi lainnya Gagal jantung terjadi ketika
jantung tidak dapat memompa cukup darah ke tubuh, dan biasanya disebabkan oleh
diabetes, tekanan darah tinggi, atau kondisi atau penyakit jantung lainnya. Machine
Learning yang diterapkan pada rekam medis, khususnya, dapat menjadi alat yang
efektif baik untuk memprediksi kelangsungan hidup setiap pasien yang mengalami
gejala gagal jantung dan untuk mendeteksi fitur klinis yang paling penting. Dengan
teknik data mining yang digunakan pada data history yang tersedia yaitu dataset
Heart Failure Clinical Records sebanyak 299 instance pada 13 feature
menggunakan algoritma naive bayes dan melakukan reduksi atribut menggunakan
metode feature selection wrapper dengan searching method Sequential Feature
Selector (SFS). Menghasilkan akurasi tertinggi dengan menggunakan 6 fitur yaitu
anaemia, diabetes, ejection_fraction, serum_creatinine, gender, time yang
merupakan hasil dari metode SFS sebesar 81,575%, lebih tinggi dari kombinasi
fitur lainnya.
Kata kunci : Penyakit Kardiovaskuler, Gagal Jantung, Pembelajaran Mesin,
Feature Selection Wrapper, Naïve Bayes