Algoritma LightGBM dengan SMOTE & ADASYN untuk Prediksi Risiko Serangan Jantung

Abstract

Ketidakseimbangan data merupakan tantangan utama dalam pemodelan prediksi medis, termasuk prediksi serangan jantung, karena jumlah kasus positif jauh lebih sedikit dibandingkan kasus negatif sehingga menurunkan kemampuan model dalam mendeteksi pasien berisiko tinggi. Penelitian ini bertujuan untuk membandingkan efektivitas dua teknik oversampling, yaitu Synthetic Minority Oversampling Technique (SMOTE) dan Adaptive Synthetic Sampling (ADASYN), dalam meningkatkan performa algoritma Light Gradient Boosting Machine (LightGBM) untuk prediksi risiko serangan jantung. Dataset berjumlah 1.319 sampel dengan sembilan fitur klinis dan dianalisis melalui tahapan pra-pemrosesan, normalisasi, penanganan class imbalance, pembangunan model, serta evaluasi menggunakan Accuracy, Precision, Recall, F1-Score, dan AUC-ROC. Hasil menunjukkan bahwa model baseline memiliki akurasi tinggi namun sensitivitas terhadap kelas positif masih rendah. Setelah diterapkan oversampling, model mengalami peningkatan signifikan. LightGBM-SMOTE memperoleh F1-Score terbesar (0.9876) dan AUC-ROC 0.9853, sedangkan LightGBM-ADASYN mencapai F1-Score 0.9855 dan AUC-ROC 0.9861. Temuan ini menunjukkan bahwa SMOTE memberikan peningkatan performa yang lebih stabil dalam mendeteksi kelas minoritas. Dengan demikian, teknik oversampling khususnya SMOTE terbukti efektif untuk meningkatkan akurasi dan sensitivitas model prediksi serangan jantung.