KLASIFIKASI RISIKO PENYAKIT KARDIOVASKULAR BERDASARKAN FAKTOR DEMOGRAFIS, KLINIS, DAN GAYA HIDUP MENGGUNAKAN DEEP NEURAL NETWORK

Cardiovascular Disease (CVD) merupakan salah satu penyebab utama kematian di dunia sehingga diperlukan metode klasifikasi risiko yang akurat, namun proses klasifikasi sering terkendala oleh ketidakseimbangan distribusi kelas yang menyebabkan model cenderung memprediksi kelas mayoritas. Penelitian ini bertujuan mengklasifikasikan tingkat risiko penyakit kardiovaskular menggunakan metode Deep Neural Network (DNN) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) pada dataset berjumlah 1.529 data. Dataset diproses melalui tahapan preprocessing, pembagian data dengan rasio 80:10:10, pelatihan model, dan evaluasi menggunakan accuracy, precision, recall, serta F1-score. Hasil penelitian menunjukkan bahwa model DNN tanpa SMOTE memperoleh accuracy sebesar 77.12%, precision sebesar 76.13%, recall sebesar 77.12%, dan F1-score sebesar 75.83%, sedangkan model DNN dengan SMOTE memperoleh accuracy sebesar 99.35%, precision sebesar 99.37%, recall sebesar 99.35%, dan F1-score sebesar 99.35%. Konfigurasi model terbaik menggunakan arsitektur neuron 16-32-64, learning rate 0,001, batch size 64, 80 epoch, dan 20 fitur, sehingga kombinasi DNN dan SMOTE terbukti mampu meningkatkan performa klasifikasi risiko penyakit kardiovaskular pada dataset dengan distribusi kelas yang tidak seimbang.