Identifikasi Faktor Risiko Serangan Jantung di Indonesia Menggunakan Model Prediktif LightGBM

Amiq Fahmi; Muhammad Fais Ramadhani; Ramadhan Rakhmat Sani

doi:10.30865/json.v7i2.9065

Authors

Amiq Fahmi Univrsitas Dian Nuswantoro https://orcid.org/0000-0002-6684-9694
Muhammad Fais Ramadhani Universitas Dian Nuswantoro
Ramadhan Rakhmat Sani Universitas Dian Nuswantoro

DOI:

https://doi.org/10.30865/json.v7i2.9065

Keywords:

Serangan Jantung; LightGBM; PCA; SMOTE; AUC-ROC

Abstract

Peningkatan prevalensi serangan jantung di Indonesia telah menjadi isu kesehatan publik yang signifikan karena penyakit ini konsisten termasuk penyebab kematian tertinggi secara nasional. Meskipun berbagai studi epidemiologis telah mengidentifikasi faktor risiko klinis maupun perilaku, pendekatan berbasis data untuk prediksi individual masih relatif terbatas, terutama pada konteks populasi Indonesia dengan karakteristik heterogen. Untuk menjawab kesenjangan tersebut, penelitian ini mengembangkan model prediktif serangan jantung menggunakan algoritma Light Gradient Boosting Machine (LightGBM) yang dikenal efisien pada data berukuran besar. Dataset terdiri dari 158.355 observasi dan 28 fitur demografis, gaya hidup, dan indikator medis. Prosedur prapemrosesan mencakup imputasi nilai hilang, pengkodean variabel kategorikal, seleksi fitur menggunakan Principal Component Analysis (PCA), serta penyeimbangan distribusi kelas melalui Synthetic Minority Over-Sampling Technique (SMOTE). Kinerja prediksi dievaluasi menggunakan metrik klasifikasi standar, di mana LightGBM mencapai akurasi 83,39% (train) dan 77,92% (test); presisi 85,67% dan 79,38%; recall 80,19% dan 75,44%; F1-score 82,84% dan 77,36%; serta AUC-ROC 91,84% dan 87,37%. Analisis komponen utama menunjukkan kontribusi varians yang tinggi pada fitur terkait pola konsumsi, penggunaan obat, stres, dan hipertensi. Hasil ini mengindikasikan bahwa LightGBM merupakan pendekatan yang menjanjikan untuk mendukung deteksi risiko serangan jantung secara lebih awal dan berpotensi meningkatkan strategi mitigasi penyakit kardiovaskular di Indonesia.

Author Biography

Amiq Fahmi, Univrsitas Dian Nuswantoro

Amiq Fahmi adalah seorang akademisi dan peneliti di bidang Sistem Informasi di Universitas Dian Nuswantoro, Semarang. Dengan fokus pada pengembangan dan penerapan teknologi canggih seperti data mining, machine learning, dan sistem pendukung keputusan, Amiq Fahmi telah berkontribusi secara signifikan dalam berbagai penelitian yang relevan dengan kebutuhan masyarakat. Karya-karyanya mencakup topik seperti pengelolaan aset wakaf berbasis sistem informasi geografis, klasifikasi kasus infeksi dengue menggunakan data diagnosis klinis, serta pengembangan algoritma fuzzy dan metode ensemble untuk pengambilan keputusan.

Sebagai seorang peneliti yang produktif, Amiq Fahmi telah mempublikasikan berbagai artikel ilmiah di jurnal dan konferensi internasional terkemuka, bereputasi, dan terindeks. Dia juga dikenal atas dedikasinya dalam mengintegrasikan teknologi informasi untuk mendukung solusi inovatif di bidang kesehatan dan manajemen sumber daya. Dengan pendekatan multidisiplin, beliau terus berupaya menciptakan dampak positif melalui penelitian dan kolaborasi akademik.

References

E. F. Laili, Z. Alawi, R. Rohmah, and M. A. Barata, “komparasi algoritma decision tree dan support vector machine (svm) dalam klasifikasi serangan jantung,” J. Sist. Inf. Dan Inform. Simika, vol. 8, no. 1, pp. 67–76, Jan. 2025, doi: 10.47080/simika.v8i1.3683.

M. A. Sembiring, “analisis faktor prediksi diagnosa tingkat serangan jantung menggunakan metode regression,” J. Tek., vol. 4, no. 1, p. 16, Feb. 2024, doi: 10.54314/teknisi.v4i1.1800.

H. Yang, Z. Chen, H. Yang, and M. Tian, “Predicting Coronary Heart Disease Using an Improved LightGBM Model: Performance Analysis and Comparison,” IEEE Access, vol. 11, pp. 23366–23380, 2023, doi: 10.1109/ACCESS.2023.3253885.

N. Nandal, L. Goel, and R. Tanwar, “Machine learning-based heart attack prediction: A symptomatic heart attack prediction method and exploratory analysis,” F1000Research, vol. 11, p. 1126, Sep. 2022, doi: 10.12688/f1000research.123776.1.

Y. Xue et al., “The Prediction Models for High-Risk Population of Stroke Based on Logistic Regressive Analysis and Lightgbm Algorithm Separately,” Iran. J. Public Health, May 2022, doi: 10.18502/ijph.v51i5.9415.

D. Dablain, B. Krawczyk, and N. V. Chawla, “DeepSMOTE: Fusing Deep Learning and SMOTE for Imbalanced Data,” IEEE Trans. Neural Netw. Learn. Syst., vol. 34, no. 9, pp. 6390–6404, Sep. 2023, doi: 10.1109/TNNLS.2021.3136503.

T. Md. N. U. Akhund and W. M. Al-Nuwaiser, “Improving Prediction Efficiency of Machine Learning Models for Cardiovascular Disease in IoST-Based Systems through Hyperparameter Optimization,” Comput. Mater. Contin., vol. 80, no. 3, pp. 3485–3506, 2024, doi: 10.32604/cmc.2024.054222.

M. H. Al-Adhaileh, M. I. Ahmed Al-mashhadani, E. M. Alzahrani, and T. H. H. Aldhyani, “Improving Heart Attack Prediction Accuracy Performance Using Machine Learning and Deep Learning Algorithms,” Iraqi J. Comput. Sci. Math., vol. 6, no. 2, Apr. 2025, doi: 10.52866/2788-7421.1239.

T. O. Omotehinwa, D. O. Oyewola, and E. G. Moung, “Optimizing the light gradient-boosting machine algorithm for an efficient early detection of coronary heart disease,” Inform. Health, vol. 1, no. 2, pp. 70–81, Sep. 2024, doi: 10.1016/j.infoh.2024.06.001.

A. L. G. Vicente, R. D. M. Junior, and R. A. F. Romero, “Explainable LightGBM Approach for Predicting Myocardial Infarction Mortality,” Apr. 23, 2024, arXiv: arXiv:2404.15029. doi: 10.48550/arXiv.2404.15029.

R. Han, R. Meng, and Q. Zhu, “Predictive Analytics in Heart Disease: Leveraging LightGBM for Improved Diagnostic Accuracy”.

J. Miah, D. M. Ca, M. A. Sayed, E. R. Lipu, F. Mahmud, and S. M. Y. Arafat, “Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction,” in 2023 15th International Conference on Innovations in Information Technology (IIT), Al Ain, United Arab Emirates: IEEE, Nov. 2023, pp. 49–54. doi: 10.1109/IIT59782.2023.10366476.

X. Ji et al., “Prediction Model of Hypertension Complications Based on GBDT and LightGBM,” J. Phys. Conf. Ser., vol. 1813, no. 1, p. 012008, Feb. 2021, doi: 10.1088/1742-6596/1813/1/012008.

S. Rao et al., “An explainable Transformer-based deep learning model for the prediction of incident heart failure”.

[N. M. K. Ramalingamsakthivelan, V. Silambarasan, S. Thavasi, and P. V. Shankar, “Heart Disease Risk Assessment by Using LightGBM Technique,” vol. 5, no. 2, 2023.

N. A. Baghdadi, S. M. Farghaly Abdelaliem, A. Malki, I. Gad, A. Ewis, and E. Atlam, “Advanced machine learning techniques for cardiovascular disease early detection and diagnosis,” J. Big Data, vol. 10, no. 1, p. 144, Sep. 2023, doi: 10.1186/s40537-023-00817-1.

M. A. Siddiqi and W. Pak, “Optimizing Filter-Based Feature Selection Method Flow for Intrusion Detection System,” Electronics, vol. 9, no. 12, p. 2114, Dec. 2020, doi: 10.3390/electronics9122114.

S. Zhang, Y. Yuan, Z. Yao, J. Yang, X. Wang, and J. Tian, “Coronary Artery Disease Detection Model Based on Class Balancing Methods and LightGBM Algorithm,” Electronics, vol. 11, no. 9, p. 1495, May 2022, doi: 10.3390/electronics11091495.

M. Salmi, D. Atif, D. Oliva, A. Abraham, and S. Ventura, “Handling imbalanced medical datasets: review of a decade of research,” Artif. Intell. Rev., vol. 57, no. 10, p. 273, Sep. 2024, doi: 10.1007/s10462-024-10884-2.

A. Akshay, M. Katoch, N. Shekarchizadeh, and M. Abedi, “Machine Learning Made Easy (MLme): A Comprehensive Toolkit for Machine Learning-Driven Data Analysis”.

Y. Wang and T. Wang, “Application of Improved LightGBM Model in Blood Glucose Prediction,” Appl. Sci., vol. 10, no. 9, p. 3227, May 2020, doi: 10.3390/app10093227.

L. Sari, A. Romadloni, R. Lityaningrum, and H. D. Hastuti, “Implementation of LightGBM and Random Forest in Potential Customer Classification,” TIERS Inf. Technol. J., vol. 4, no. 1, pp. 43–55, Jun. 2023, doi: 10.38043/tiers.v4i1.4355.

C. G. L. Pringandana, “A Comparative Analysis of Hyperparameter-Tuned XGBoost and LightGBM for Multiclass Rainfall Classification in Jakarta,” vol. 6, no. 4, 2025.