KOMBINASI ALGORITMA LOGISTIC REGRESSION DAN SVM DENGAN FITUR SELEKSI BERBASIS HYBRID PSO DAN GA PADA KLASIFIKASI PENYAKIT JANTUNG KORONER

Tingginya angka kematian penduduk di dunia akibat penyakit jantung membutuhkan pencegahan lebih dini oleh dokter medis untuk mendiagnosis penyakit jantung sejak awal. Pendekatan machine learning memungkinkan untuk memprediksi risiko pengembangan penyakit jantung dengan memeriksa nilai-nilai tertentu dengan biaya rendah. Penelitian ini akan mengkontribusikan pengembangan model kombinasi Logistic Regression dan SVM yang mengintegrasikan algoritma SVM dan Logistic Regression dengan menerapkan fitur seleksi menggunakan metode hybrid PSO dan GA. Konsep kombinasi Logistic Regression SVM (LRSVM) yang diterapkan pada penelitian ini yaitu dengan menurunkan risiko kesalahan keluaran SVM dengan menafsirkan dan memodifikasi keluaran dari pengklasifikasi SVM sesuai dengan hasil analisis Logistic Regression. Hasil pengujian menunjukkan bahwa LRSVM dengan fitur seleksi berbasis hybrid PSO-GA mencapai kinerja yang lebih baik untuk klasifikasi penyakit jantung koroner dengan akurasi 99.66% dibandingkan akurasi klasifikasi dengan algoritma SVM tanpa fitur seleksi.