Informasi Model Machine Learning
Heart-Sync menggunakan model Random Forest yang dilatih pada 1.025 data klinis jantung. Model memproses 9 fitur klinis terpilih hasil seleksi feature importance untuk menghasilkan prediksi risiko penyakit jantung yang akurat.
Metrik Evaluasi — RF Final (Tuned, 9 Fitur)
* Dievaluasi pada test set 202 data · 5-Fold Stratified Cross Validation · dataset: 1.025 baris
9 Fitur Klinis Terpilih
Dipilih menggunakan Feature Importance dari RF Baseline (threshold ≥ 0.05) dari 13 fitur awal. Fitur diurutkan berdasarkan tingkat kepentingannya terhadap prediksi.
Alur Prediksi Heart-Sync
Input 9 Parameter Klinis
Pengguna mengisi data klinis pada form prediksi: tipe nyeri dada, detak jantung maks, jumlah pembuluh utama, thalassemia, depresi ST, usia, angina saat olahraga, kolesterol, dan tekanan darah istirahat.
Proses Model Random Forest
Model RF Final (100 estimator, max_depth=10, class_weight=balanced) memproses 9 fitur dan menghasilkan probabilitas risiko penyakit jantung melalui voting dari seluruh pohon keputusan.
Hasil Klasifikasi
Probabilitas > 50% → Risiko Tinggi. Probabilitas ≤ 50% → Risiko Rendah. Ditampilkan beserta persentase probabilitas dan pesan rekomendasi.
💡 Panduan Membaca Kecenderungan Risiko
Berikut adalah ringkasan pola kecenderungan arah parameter klinis yang dipelajari oleh model AI selama proses training:
- Detak Jantung Maksimal (thalach): Nilai tinggi (rentang 160–200) mendominasi kelompok klinis dengan risiko penyakit jantung tinggi.
- Kondisi/Tipe Nyeri Dada (cp): Jenis nyeri dada yang dirasakan semakin berat, menekan, dan menjalar (Typical Angina) menaikkan kecenderungan risiko.
- Pembuluh Darah Utama (ca): Angka minimal (0 pembuluh darah terbuka/tersumbat total) adalah pemicu kelas risiko tertinggi.
- Tingkat Penurunan Grafik EKG (oldpeak): Nilai depresi grafik yang sangat rendah atau mendekati 0.0 cenderung berpusat di kelompok risiko tinggi.
Penting: Aplikasi ini dirancang untuk keperluan skrining mandiri dan edukasi kesehatan berbasis machine learning. Hasil prediksi bukan merupakan diagnosis medis. Selalu konsultasikan hasil dengan dokter spesialis untuk diagnosis dan rekomendasi penanganan yang akurat dan profesional.