Judul : Sistem Pendeteksi Penyakit Kardiovaskular Berbasis Web Dengan Framework

Menggunakan Metode Random Forest.

Tujuan :
Tujuan jurnal ini adalah membangun sistem pendeteksi penyakit Kardiovaskular menggunakan metode
Random Forest dengan tingkat akurasi 87,07%. Penelitian ini berbasis web, menggunakan Python, Flask,
dan Heroku untuk implementasi aplikasi. Variabel yang paling berpengaruh dalam pengklasifikasian
adalah tekanan darah sistolik (systolic). Kesimpulan penelitian ini menunjukkan bahwa tekanan darah
sistolik menjadi faktor utama risiko penyakit Kardiovaskular. Saran untuk penelitian selanjutnya adalah
memperoleh data primer dari Rumah Sakit dan menyertakan laporan hasil dalam format PDF.
Metode Penelitian : Random Forest.

Variable yang diukur : Penyakit kardiovaskular adalah kondisi medis yang disebabkan oleh
gangguan pada jantung dan pembuluh darah. Penyakit kardiovaskular menjadi penyebab
kematian sebanyak 17,9 juta penduduk dunia setiap tahun, dan 45% kematian tersebut
disebabkan oleh penyakit jantung koroner.

Kelebihan :
1. Tujuan yang Jelas : Jurnal ini memiliki tujuan yang jelas, yaitu membangun sistem pendeteksi
penyakit Kardiovaskular dengan metode Random Forest untuk mencapai tingkat akurasi yang lebih baik.

2. Basis Web dan Implementasi : Penelitian ini tidak hanya memberikan solusi pada tingkat model, tetapi
juga mengimplementasikan hasilnya ke dalam aplikasi web menggunakan Flask dan Heroku, memberikan
kontribusi pada bidang penerapan teknologi.

3. Metode Pengolahan Data yang Komprehensif : Jurnal ini mencakup langkah-langkah metode penelitian
secara rinci, termasuk Business Understanding, Data Understanding, Data Preparation, Modeling,
Evaluation, dan Deployment, menggunakan kerangka kerja CRISP-DM.

4. Akurasi Model yang Tinggi : Hasil penelitian menunjukkan tingkat akurasi algoritma Random Forest
sebesar 87,07%, menciptakan kepercayaan dalam kemampuan model untuk mendeteksi penyakit
Kardiovaskular.

5. Penggunaan Metode Ensemble Learning : Pemilihan metode Random Forest sebagai pendekatan utama
menggambarkan pemahaman yang baik tentang keunggulan ensemble learning dalam meningkatkan
kinerja model.
6. Kesimpulan dan Saran yang Jelas : sJurnal ini menyajikan kesimpulan yang ringkas dan memberikan
saran untuk pengembangan lebih lanjut, seperti penggunaan data primer dari rumah sakit dan penyajian
hasil dalam format PDF.
Kekurangan :
Kekurangan jurnal ini mungkin termasuk kurangnya pemahaman terperinci tentang data primer yang
digunakan, seperti sumber dan karakteristik dataset kardiovaskular yang diakses dari Kaggle. Selain itu,
tidak dijelaskan secara rinci mengenai pemilihan model Random Forest dan parameter yang digunakan.
Pada tahap evaluasi, informasi lebih lanjut tentang interpretasi confusion matrix dan kebijakan
penanganan hasil prediksi yang salah dapat memperkuat analisis. Terakhir, lebih banyak penekanan pada
generalisasi hasil penelitian untuk aplikasi di luar dataset yang digunakan juga dapat meningkatkan nilai
jurnal ini.
Hasil :
Algoritma Random Forest menghasilkan akurasi 87,07% dalam mendeteksi Penyakit Kardiovaskular,
dengan tekanan sistolik diidentifikasi sebagai variabel yang paling berpengaruh. Penelitian ini
merekomendasikan untuk memperoleh data primer dari rumah sakit untuk penelitian di masa depan.
Model yang diterapkan dalam aplikasi web memungkinkan pengguna untuk memprediksi risiko CVD dan
menyarankan pembuatan laporan PDF untuk studi lebih lanjut.