Konteks & Permasalahan
Membangun model machine learning untuk mengklasifikasikan risiko penyakit jantung dari data terstruktur.
Tujuan
Mengeksplorasi pendekatan machine learning terarah untuk klasifikasi dan mengevaluasi performa model menggunakan metrik klasifikasi standar.
Pendekatan
Melakukan preprocessing data dan feature engineering, mengatasi class imbalance menggunakan SMOTE, melatih model Logistic Regression dan Support Vector Machine, serta mengevaluasi performa menggunakan accuracy, confusion matrix, dan classification report.
Implementasi Teknis
Menggunakan Pandas untuk preprocessing dan manipulasi fitur, menerapkan feature engineering sebelum training, menggunakan SMOTE untuk mengatasi class imbalance, melatih classifier Logistic Regression dan SVM, serta membandingkan performa menggunakan metrik klasifikasi. Model SVM mencapai akurasi hingga 88.78% dalam evaluasi ini.
Hasil
Membangun dan mengevaluasi model klasifikasi untuk prediksi risiko penyakit jantung, dengan SVM mencapai akurasi 88.78% dalam evaluasi proyek.
Catatan Penting
Proyek ini tidak boleh disajikan sebagai sistem prediksi medis yang tervalidasi secara klinis.
Refleksi
Membangun pengalaman praktis dengan alur kerja supervised learning yang lengkap — mulai dari menangani class imbalance hingga membandingkan performa classifier menggunakan metrik evaluasi yang tepat.