KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)

Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

Sistem Prediksi Penyakit Jantung Berbasis Web Menggunakan

Metode SVM dan Framework Streamlit
Ary Putranto1,*, Nuril Lutvi Azizah2, Ika Ratna Indra Astutik3
1,2,3
Fakultas Sains dan Teknologi, Informatika, Universitas Muhammadiyah
Sidoarjo, Indonesia
E-mail: [Link]@[Link], 2nurillutviazizah@[Link],
3
ikaratna@[Link]

Abstract
Heart disease is a disease whose cases often occur in society regardless of age, gender
and lifestyle. Most of these diseases can not be cured completely. Heart attacks that are
handled too late can cause dangerous complications with the most fatal risk, namely
death. With the rapid development of technology at this time, the world of medicine is
very helpful. One of the technological advances that exist today is a system that can
diagnose disease. One of the machine learning algorithms that can be used is the Support
Vector Machine. SVM can be used for regression and classification cases. The advantage
of this algorithm is its fast computation. Classification of heart disease with the SVM
algorithm results in an accuracy of 85%. The machine learning model that produces the
accuracy value is then carried out by deploying the model using the Streamlit framework.
Streamlit is a Python-based framework that is open source. This framework was created
to make it easier for developers to build web-based programs in the fields of interactive
data science and machine learning. The results of this study are web-based programs that
can diagnose heart disease with an accuracy value of 85%.

Keywords: Classification; Heart Disease; Streamlit; SVM

Abstract
Penyakit jantung merupakan penyakit yang kasusnya sering terjadi di masyarakat
tanpa memandang usia, jenis kelamin dan gaya hidup. Penyakit ini Sebagian besar tidak
dapat disembuhkan secara total. Seranga jantung yang terlambat dilakukan penanganan
dapat menyebabkan komplikasi berbahaya dengan resiko yang paling fatal yaitu
kematian. dengan adanya perkembangan teknologi yang sangat pesat saat ini, dunia
kedokteran menjadi sangat terbantu. Salah satu kemajuan teknologi yang ada saat ini
adalah sistem yang dapat mendiagnosa penyakit. Salah satu algoritma machine learning
yang dapat digunakan adalah Support Vector Machine. SVM dapat digunakan untuk
kasus regresi dan klasifikasi. Kelebihan dari algoritma ini adalah komputasinya yang
cepat. Klasifikasi penyakit jantung dengan algoritma SVM mendapatkan hasil akurasi
sebesar 85%. Model machine learning yang menghasilkan nilai akurasi tersebut
selanjutnya dilakukan deployment model menggunakan framework Streamlit. Streamlit
merupakan framework berbasis Python yang besifat open source. Framework ini dibuat
untuk memudahkan developer dalam membangun program berbasis web di bidang data
science dan machine learning yang interaktif. Hasil dari penelitian ini adalah program
berbasis web yang dapat mendiagnosa penyakit jantung dengan nilai akurasi sebesar
85%.

Kata Kunci: Klasifikasi; Penyakit Jantung; Streamlit; SVM

1. Pendahuluan
Penyakit jantung merupakan gangguan terhadap fungsi kerja jantung. Penyakit ini
memiliki banyak jenis seperti kardivaskuler, jantung coroner dan serangan jantung.
Penyakit jantung menjadi salah satu penyakit yang kasusnya sering terjadi di masyarakat

ISSN: 2720-992X
Copyright ⓒ KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

tanpa memandang usia, jenis kelamin dan gaya hidup [1]. Adapun penyebab seseorang
terkena serangan jantung yaitu karena kurangnya aktivitas, merokok, stress berat,
tingginya kolesterol, obesitas dan lainnya. Beberapa hal yang dialami oleh seseorang yang
terkena serangan jantung ialah nyeri dada yang merambat hingga bahu, leher, rahang dan
punggung. Pernafasan juga terasa berat dengan diikuti keringat dingin, rasa mual dan
hilang kesadaran [2]. Sebagian besar penyakit jantung tidak dapat disembuhkan secara
total. Serangan jantung yang parah atau terlambat dilakukan penanganan dapat
menyebabkan komplikasi berbahaya dengan resiko yang paling fatal adalah kematian.
Pada tahun 2012, data kasus penyakit di Indonesia berdasarkan GLOBOCAN (IARC)
terdapat jumlah kasus baru serangan jantung sebanyak 43,30% dan jumlah kematan
sebesar 12,90%. Sedangkan pada tahun 2013 jumlah penderita penyakit jantung sebesar
61.682 orang, dengan penderita terbanyak berada di Jawa Tengah dengan jumlah kasus
sebesar 11.511 kasus. Berdasarkan data di atas, dapat diketahui bahwa banyak orang yang
belum menanggapi penyebab penyakit ini secara serius. Sehingga setelah melakukan
pemeriksaan, dokter mendeteksi adanya penyakit jantung dengan stadium yang tinggi [3].
Perkembangan teknologi yang kian pesat sangat membantu dunia kedokteran dalam
menangani berbagai macam penyakit. Saat ini telah ada teknologi yang biasa disebut
dengan kecerdasan buatan. Salah satu manfaat dari teknologi ini yaitu dapat memprediksi
penyakit dengan tingkat akurasi tertentu. Penelitian ini bertujuan untuk melakukan
prediksi dini terhadap indikasi penyakit jantung yang di deployment ke dalam sebuah
sistem berbasis web. Dengan memasukkan beberapa indikator yang menjadi penyebab
serangan jantung, program akan memprediksi apakah hasil masukan tersebut terindikasi
penyakit jantung atau tidak. Salah satu algoritma machine learning yang dapat diterapkan
untuk melakukan klasifikasi adalah Support Vector Machine (SVM).
Support Vector Machine merupakan salah satu algoritma machine learning yang
termasuk ke dalam kategori supervised learning. Metode ini biasanya digunakan untuk
kasus klasifikasi dan regresi [4]. Pada dasarnya SVM merupakan representasi dari kelas
yang berbeda dalam ruang multidimensi. Tujuannya adalah untuk membagi dataset ke
dalam kelas-kelas untuk menemukan hyperplane marginal maksimum. Adapun kelebihan
dari metode SVM adalah memiliki daya komputasi yang cepat.
Model machine learning yang telah dibuat dapat dimasukkan ke dalam program
berbasis web agar pengguna dapat dengan mudah melakukan klasifikasi. Adapun salah
satu framework yang mendukung untuk melakukan deployment model ke dalam program
berbasis web yaitu streamlit. Streamlit merupakan framework berbasis Python yang
besifat open source. Framework ini dibuat untuk memudahkan developer dalam
membangun program berbasis web di bidang data science dan machine learning yang
interaktif [5]. Salah satu kelebihan dari streamlit adalah developer tidak perlu mengatur
tampilan website dengan CSS, HTML dan javascript karena framework streamlit telah
menyediakannya melalui fungsi-fungsi yang terdapat pada framework tersebut.
Beberapa penelitian terdahulu telah melakukan penelitian terkait prediksi penyakit
jantung. Diantaranya penelitian yang berjudul “Analisa Komparasi Metode Klasifikasi
Data Mining dan Reduksi Atribut Pada Dataset Penyakit Jantung” yang dilakukan oleh
Dito Putro Utomo dan Mesran pada tahun 2020. Penelitian ini melakukan reduksi atribut
menggunakan metode PCA dengan membandingkan algoritma C5.0 dan Naïve Bayes
Classifier untuk klasifikasi. Hasil dari penelitian ini menyatakan bahwa algoritma Naïve
Bayes Classifier lebih baik daripada algoritma C5.0 [1].
Berdasarkan latar belakang dan penjelasan yang telah dijabarkan di atas, sehingga
penelitian ini akan melakukan prediksi dini terhadap penyakit jantung menggunakan
metode Support Vector Machine yang dimasukkan ke dalam program berbasis web
sehingga harapan dari penelitian ini yaitu dapat membantu dunia kedokteran untuk
melakukan diagnosa penyakit jantung sedini mungkin agar tingkat keparahan dapat
diminimalisir.

443
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

2. Metodologi Penelitian
2.1. Tahapan Penelitian
Tahapan penelitian merupakan gambaran umum terkait alur penelitian yang akan
dilakuan dalam pengerjaan penelitian ini dari awal hingga akhir. Tahapan yang dilakukan
dalam penelitian ini dapat dipaparkan melalui diagram alir seperti pada Gambar 1.
Seluruh tahapan pada penelitian ini dikerjakan menggunakan Bahasa pemrograman
python. dengan rincian untuk tahapan preprocessing hingga pemodelan menggunakan
software jupyter notebook dan untuk deployment dengan streamlit menggunakan software
pycharm.

Gambar 1. Gambaran Tahapan Penelitian

2.2. Data
Data yang digunakan pada penelitian ini diambil dari
[Link] yang terdiri dari 918 rekaman.
Dataset ini terdiri dari 12 indikator penyebab penyakit jantung. Berikut merupakan rincian
indikator atau attribut dari dataset yang akan digunakan.

Tabel 1. Attribut Dataset

Attribut Keterangan
Age Umur
Sex Jenis kelamin
Chest Pain Type Jenis nyeri dada
RestingBP Tekanan Darah
Cholesterol Kolesterol
FastingBS Gula Darah Puasa
RestingECG Hasil Electrodiagram istirahat
MaxHR Detak jantung maksimum tercapai
ExerciseAngina Induksi angina
Oldpeak Depresi
HearDisease Target (terindikasi penyakit jantung atau tidak terindikasi penyakit jantung)

Gambar 2. Perbandingan Jumlah Rekaman

Gambar 2 merupakan perbandingan jumlah rekaman pasien terindikasi penyakit

jantung atau tidak terindikasi penyakit jantung. Nilai 0 merupakan pasien yang tidak

444
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

terindikasi penyakit jantung dan nilai 1 merupakan pasien yang terindikasi penyakit
jantung.

2.3. Preprocesssing
Tahapan awal penelitian yaitu preprocessing. Preprocessing dilakukan karena data
mentah tidak dapat digunakan langsung oleh sistem. Oleh karena itu, beberapa
preprocessing harus dilakukan untuk sedikit memodifikasi data guna meningkatkan
kualitas data yang digunakan.
2.3.1. Handling Outlier
Sebuah data biasanya terdapat outlier. Outlier merupakan objek pengamatan yang
memiliki nilai ekstrim yang terlalu rendah atau terlalu tinggi sehingga menyebabkan
masalah dalam penentuan hasil akhir analisis [10]. Terkadang outlier memiliki nilai yang
penting dan berpengaruh dalam kumpulan objek, sehingga tidak semua outlier dapat
dihilangkan. Oleh karena itu pada penelitian ini, peneliti melakukan handling outlier
menggunakan teknik Z-score. Z-score dapat digunakan untuk membantu menentukan
apakah sebuah data bernilai ekstrim, atau outlier [11]. Aturan umumnya adalah Z-
score dengan nilai kurang dari –3 atau lebih dari +3 menunjukkan bahwa nilai data adalah
nilai ekstrim. Sehingga data yang melebihi batas bawah dan batas atas akan dihapus.
berikut merupakan Langkah-langkah untuk memfilter outlier dengan Teknik zscore.
a) Menghitung nilai zscore di setiap kolomnya menggunakan library numpy dan
fungsi stats pada library scipy. nilai zscore di setiap kolomnya diabsolutkan dan
dimasukkan ke dalam variable z.
b) Tahap selanjutnya yaitu memfilter data yang nilai absolutnya kurang dari 3.

2.3.2. Cek Correlation

Hubungan antar variable merupakan suatu hal yang sangat penting dan berpengaruh
terhadap suatu penelitian. Oleh karena itu, pada tahap preprocessing ini, peneliti
melakukan pengecekan korelasi data menggunakan fungsi dari library pandas yaitu corr
yang divisualisasikan oleh library plotly. Untuk melihat interpretasi korelasi antar dua
variable, berikut kriteria hasil perhitungan yang dikutip dari website [Link] .

Tabel 2. Koefisien Korelasi

Koefisien Keterangan
0 Tidak ada korelasi antara dua variable
>0 – 0,25 Korelasi sangat lemah
>0,25 - 0,5 Korelasi cukup
>0,5 – 0,75 Korelasi kuat
1 Korelasi hubungan sempurna positif
-1 Korelasi hubungan sempurna negatif

445
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

Berdasarkan tabel 2 di atas, pada penelitian ini koefisien korelasi data yang lemah akan
dihapus sehingga menyisakan korelasi data cukup, kuat dan sempurna.

2.3.3. Handling Imbalanced Data

Pada gambar 2 dapat diketahui bahwa terdapat ketidak seimbangan jumlah rekaman
data antara pasien yang terindikasi penyakit jantung dan tidak terindikasi penyakit
jantung. Adanya ketidak seimbangan jumlah data ini dapat mempengaruhi model machine
learning yang dihasilkan. Sehingga walaupun nilai akurasi yang dihasilkan oleh model
cukup tinggi, namun model tidak dapat membedakan apakah pasien terindikasi penyakit
jantung atau tidak [12]. Untuk menangani hal tersebut, peneliti melakukan Teknik
oversampling menggunakan SMOTE. Metode SMOTE diusulkan pertama kali oleh
Chawla pada tahun 2002, dimana kelas minoritas dilakukan oversampling dengan cara
membuat “data training sintetis”. Pembuatan data training sintetis tersebut dibuat
berdasarkan k-nearest neighbor [13].

2.4. Processing
Setelah data melalui tahapan preprocessing, selanjutnya adalah data dimasukkan ke
tahap pemrosesan sehingga mendapatkan hasil yang diharapkan.
2.4.1. Klasifikasi dengan Support Vector Machine
Support Vector Machine merupakan algoritma klasifikasi supervised learning dimana
algoritma ini dapat melakukan prediksi kelas berdasarkan pola yang dihasilkan dari proses
training [14]. Klasifikasi SVM menciptakan garis pembatas yang digunakan untuk
memisahkan antar kelas. Berikut merupakan Langkah-langkah dari klasifikasi dengan
SVM
a) Membagi data menjadi dua bagian yaitu data latih dan data uji dengan persentase
perbandingan 80% untuk data latih dan 20% untuk data uji.
b) Tuning parameter untuk mendapatkan parameter yang paling optimal menggunakan
Teknik GridSearch Cross Validation yang mana GridSearchCV adalah bagian dari
modul scikit-learn yang bertujuan secara otomatis dan sistematis melakukan validasi
beberapa model dan setiap hyperparameter [15]. Ketika proses running
GridSearchCV sudah selesai, maka akan didapatkan model beserta skor uji dan skor
latih. Adapun hyperparameter yang digunakan pada penelitian adalah sebagai
berikut.
Tabel 3. Hyperparameter Tuning
Parameter Value Keterangan
C 0.1, 1, 10, 100, 1000 Parameter yang bekerja untuk menghindari
misklasifikasi di setiap sampel
Gamma 1, 0.1, 0.01, 0.001, 0.0001 Digunakan untuk menentukan seberapa jauh
pengaruh dari satu sampel data latih
Kernel Polynomial Untuk memisahkan dataset yang bentuknya
non-linear

2.5. Evaluasi
Tahapan evaluasi digunakan untuk mengukur performa model yang dihasilkan.
Peneliti menggunakan confusion matrix untuk melakukan analisa performa dari model.
Confusion matrix merupakan tabel dengan 4 kombinasi berbeda dari nilai prediksi dan
nilai aktual [16]. Selanjutnya dari confusion matrix tersebut dapat dihitung nilai akurasi,
precision, recall dan F1 Score. Peneliti juga menggunakan Mean Absolute Error untuk
mengetahui prosentase kesalahan rata-rata mutlak [17]. Mean Absolute Error merupakan
dua diantara banyak metode yang digunakan untuk mengukur tingkat keakuratan suatu
model peramalan [18].

446
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

2.6 Deployment
Setelah melalui tahapan modeling dan evaluasi, selanjutnya yaitu tahapan deployment
model. Dimana model disimpan dalam ekstensi pickle untuk dimasukkan ke dalam
sistem. Framework yang digunakan pada pembuatan sistem adalah streamlit. berikut
merupakan desain sistem berbasis web beserta contoh pengisiannya.

Gambar 3. Desain Sistem Berbasis Web

2.7. Pengujian dengan Black Box

Tahapan selanjutnya yaitu pengujian program berbasis web. Peneliti menggunakan
Teknik pengujian black box. Pengujian black box merupakan pengujian yang dilakukan
untuk mengamati hasil input dan output dari perangkat lunak tanpa melihat struktur
kodenya. Pengujian ini dilakukan di tahapan akhir pada proses pembuatan perangkat
lunak dengan tujuan untuk mengetahui apakah perangkat lunak dapat berfungsi dengan
baik. Teknik yang digunakan pada black box testing adalah Teknik equivalence partitions.
Teknik ini merupakan suatu pengujian yang didasarkan pada masukan data pada setiap
form yang telah disediakan [19]. Setiap menu akan pengujiannya dan dikelompokkan
berdasarkan fungsinya. Baik itu hasilnya diterima atau tidak diterima.

3. Hasil dan Pembahasan

3.1. Hasil Preprocessing
3.1.1. Hasil Handling Outlier
Seperti yang telah dijelaskan pada sub bab 2.3.1 bahwa tahapan awal yang dilakukan
yaitu melakukan filter outlier dengan Teknik Z-Score. Setelah kode sumber 2 dijalankan,
data yang awalnya 918 record berubah menjadi 899 record. Artinya terdapat 19 record
merupakan outlier yang melebihi batas atas dan batas bawah.

Gambar 4. Hasil Filter Outlier

447
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

3.1.2. Hasil Cek Correlation

Setiap indikator memiliki hubungan positif atau negative dengan target, namun tidak
semua indikator memiliki hubungan yang kuat terhadap target. sehingga hubungan yang
lemah dapat mempengaruhi hasil akurasi. Sehingga pada tahapan selanjutnya yang
dilakukan oleh peneliti yaitu tahapan cek correlation. Tahapan ini digunakan untuk
menentukan manakah variable yang berpengaruh dan tidak berpengaruh terhadap target.
Pada penelitian ini, peneliti menghapus variable yang memiliki korelasi lemah terhadap
target dimana parameter korelasinya adalah di atas -0.25 (korelasi negative lemah dan
0.25 (korelasi positif lemah).

Gambar 5. Visualisasi Hubungan Antar Variabel

Berdasarkan gambar 6, dapat diketahui bahwa variable Cholesterol, RestingECG dan

RestingBP memiliki korelasi yang lemah terhadap target dimana koefisien dari ketiga
indikator tersebut di atas -0.25 dan di bawah 0.25. Sehingga peneliti menghapus ketiga
variable tersebut.

3.1.3. Hasil Handling Imbalanced Data

Tahapan selanjutnya yaitu handling imbalanced data. Pada penelitian ini, peneliti
menggunakan SMOTE untuk melakukan oversampling terhadap kelas minoritas. Dapat
diketahui pada gambar 2, kelas 0 (tidak terindikasi penyakit jantung) memiliki jumlah
kelas yang lebih sedikit dibandingkan kelas 1 (terindikasi penyakit jantung). Sehingga
kelas 0 dilakukan oversampling menggunakan SMOTE.

Gambar 6 Hasil Over Sampling

Adapun hasil dari handling imbalanced data yang dilakukan pada kode sumber 3
menghasilkan jumlah kelas yang seimbang yaitu kelas 0 (tidak terindikasi penyakit
jantung) adalah 492 record dan kelas 1 (terindikasi penyakit jantung) adalah 492 record.

3.2. Processing
Setelah melalui tahapan preprocessing, selanjutnya yaitu tahapan processing.
Berdasarkan kode sumber 1, dataset dibagi menjadi 80% untuk data latih dan 20% untuk
data uji. Selanjutnya dilakukan hyperparameter tuning menggunakan Grid Search Cross

448
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

Validation dengan list parameter yang terdapat pada tabel 3. Grid Search Cross Validation
merupakan bagian dari scikit-learn yang berfungsi secara otomatis dan sistematis dalam
melakukan validasi beberapa model dan setiap hyperparameter. Berdasarkan proses
tersebut, dihasilkan parameter terbaik sebagai berikut.

Tabel 4. Hasil Hyperparameter Tuning

Parameter Value
C 0.1
Gamma 0.01
Kernel Poly

Parameter yang terdapat pada tabel 4 selanjutnya dilakukan fitting model dengan
memasukkan algoritma Support Vector Machine, berdasarkan uji coba tersebut dihasilkan
skor latih sebesar 85% dan skor uji sebesar 87%. Sehingga model yang dihasilkan fit.
Kernel terbaik yang dihasilkan oleh Grid Search Cross Validation yaitu poly atau
polynomial. Hal itu dikarenakan persebaran data yang divisualisasikan pada gambar 3
merupakan distribusi data yang tidak linear. Sehingga kernel polynomial memang cocok
digunakan untuk penelitian ini.

3.3. Evaluasi
Setelah tahapan processing, tahapan selanjutnya yaitu evaluasi terhadap model. Hal ini
bertujuan untuk mengukur kinerja dari model yang telah dibuat. pada penelitian ini,
peneliti menggunakan confusion matrix. Confusion matrix dapat memberikan informasi
perbandingan hasil prediksi dengan hasil klasifikasi yang sebenarnya [20]. Adapun hasil
visualisasi confusion matrix pada penelitian ini adalah sebagai berikut.

Gambar 7. Hasil Confusion Matrix

Berdasarkan hasil confusion matrix di atas, dapat dilakukan perhitungan precision,

recall, dan accuracy. Berikut merupakan rumus beserta perhitungannya.

Akurasi= (TP+TN)/(TP+FN+FP+TN) x 100% (1)

Akurasi= (75+93)/(75+9+20+93) x 100%
Akurasi= 168/197 x 100%
Akurasi= 0,853 x 100%
Akurasi= 85%

Precision= TP/(TP+FP) (2)

Precision= 75/(75+20) x 100%
Precision= 75/95 x 100%
Precision= 0,78 x 100%
Precision= 78%

Recall= TP/(TP+FN) (3)

Recall= 75/(75+9) x 100%
Precision= 75/84 x 100%

449
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

Precision= 0,89 x 100%

Precision= 89%

Berdasarkan rumusan di atas, dihasilkan nilai akurasi sebesar 85%, precision 78% dan
recall 89%. Sedangkan skor data latih yang dihasilkan adalah 87% dan skor uji yang
dihasilkan sebesar 85%. Berdasarkan hasil tersebut dapat disimpulkan bahwa model yang
dihasilkan pada penelitian ini adalah fit.

3.4. Deployment Model

Setelah melalui beberapa tahapan preprocessing dan processing, selanjutnya adalah
melakukan model deployment. Peneliti menyimpan model dalam ekstensi pickle untuk
selanjutnya dimasukkan ke dalam sistem. Pada pembuatan sistem berbasis web, peneliti
menggunakan framework streamlit.

Gambar 8. Uji Coba Sistem

Gambar 9. Hasil Uji Coba Sistem

Gambar 10 merupakan uji coba sistem hasil dari deployment model. Peneliti
memasukkan inputan sesuai dengan indikator yang telah disediakan. Setelah memasukkan
semua indikator, peneliti menekan tombol prediksi penyakit jantung sehingga tampil hasil
klasifikasi yang terdapat pada gambar 8 yang menunjukkan bahwa pasien tidak terindikasi
penyakit jantung berdasarkan indikator yang telah dimasukkan.

3.5. Pengujian Sistem Dengan Metode Black Box

Setelah melalui seluruh tahapan dari preprocessing hingga implementasi sistem,
selanjutnya yaitu tahapan pengujian sistem. Hal ini bertujuan agar sistem dapat berfungsi
dengan baik Ketika digunakan oleh user. Pada penelitian ini, peneliti menggunakan
metode black box untuk melakukan pengujian. Seperti yang telah dijelaskan pada sub
sebelumnya, pengujian dengan metode black box mengamati hasil input dan output tanpa
mengetahui kode sumbernya. Berikut merupakan hasil pengujian sistem dengan metode
black box.

450
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

Tabel 6. Hasil Pengujian Sistem

Aktivitas pengujian Realisasi yang Hasil pengujian Kesimpulan
diharapkan
Menjalankan sistem Tampil halaman Indikator yang diterima
utama beserta ditampilkan sesuai
indikator dan tombol dengan sistem yang
untuk memprediksi telah dibuat
Memasukkan value User dapat text box dapat diterima
sesuai dengan memasukkan hasil berfungsi sesuai
indikator yang telah pemeriksaan ke dalam dengan yang
disediakan indikator yang telah diharapkan
disediakan
Menekan tombol Sistem dapat Sistem berfungsi diterima
“prediksi penyakit melakukan prediksi dengan baik sehingga
jantung” sesuai indikator yang dapat menampilkan
telah diinputkan hasil prediksi

Berdasarkan hasil pengujian sistem yang terdapat pada tabel 6 di atas, dapat dilihat
bahwa semua pengujian menghasilkan hasil pengujian sesuai dengan realisasi yang
diharapkan. Dimana sistem dapat menerima input dan menghasilkan output sesuai dengan
yang diharapkan.

4. Kesimpulan
Penelitian ini telah berhasil melakukan klasifikasi mulai dari preprocessing sampai
evaluasi dan deployment model. Berdasarkan penelitian yang telah dilakukan, sistem
dapat melakukan klasifikasi penyakit jantung dengan skor akurasi sebesar 85% dengan
hyperparameter yang dihasilkan yaitu gamma sebesar 0.01, Const sebesar 0.1, dan kernel
yang digunakan adalah polynomial karena bentuk dari dataset tidak linear. Adapun
precision yang dihasilkan sebesar 78%, dan recall sebesar 89%. Skor latih yang dihasilkan
pada penelitian ini adalah 85% dan skor ujinya adalah 87% sehingga jika dilihat dari gap
antara skor latih dan skor uji, model tidak mengalami overfitting maupun underfitting.
Dengan kata lain penelitian ini menghasilkan model yang fit. Sedangkan pada pengujian
sistem, berdasarkan pengujian blacbox pada sistem berbasis web mendapatkan hasil
pengujian sesuai dengan realisasi yang diharapkan.

Daftar Pustaka
[1] D. P. Utomo And M. Mesran, “Analisis Komparasi Metode Klasifikasi Data
Mining Dan Reduksi Atribut Pada Data Set Penyakit Jantung,” Jurnal Media
Informatika Budidarma, Vol. 4, No. 2, 2020, Doi: 10.30865/Mib.V4i2.2080.
[2] S. Agustin, “Ciri-Ciri Sakit Jantung Yang Harus Diwaspadai,”
Https://[Link]/Kenali-Ciri-Ciri-Sakit-Jantung, May 08, 2022.
[3] D. P. Utomo And M. Mesran, “Analisis Komparasi Metode Klasifikasi Data
Mining Dan Reduksi Atribut Pada Data Set Penyakit Jantung,” Jurnal Media
Informatika Budidarma, Vol. 4, No. 2, P. 437, Apr. 2020, Doi:
10.30865/Mib.V4i2.2080.
[4] Samsudiney, “Penjelasan Sederhana Tentang Apa Itu Svm?,”
Https://[Link]/@Samsudiney/Penjelasan-Sederhana-Tentang-Apa-Itu-
Svm-149fec72bd02, Jul. 25, 2019.
[5] A. F. Hidayatullah, “Membuat Aplikasi Web Sains Data Dengan Mudah
Menggunakan Streamlit,” Https://[Link]/2021/03/15/Streamlit-
Membuat-Aplikasi-Web-Sains-Data/, Mar. 15, 2021.

451
 KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen)
Terakreditasi Nomor 204/E/KPT/2022 | Vol. 4, No. 2, April (2023), pp. 442-452

[6] M. A. Bianto, K. Kusrini, And S. Sudarmawan, “Perancangan Sistem Klasifikasi

Penyakit Jantung Mengunakan Naïve Bayes,” Creative Information Technology
Journal, Vol. 6, No. 1, 2020, Doi: 10.24076/Citec.2019v6i1.231.
[7] D. P. Utomo, P. Sirait, And R. Yunis, “Reduksi Atribut Pada Dataset Penyakit
Jantung Dan Klasifikasi Menggunakan Algoritma C5.0,” Jurnal Media
Informatika Budidarma, Vol. 4, No. 4, 2020.
[8] A. Nurmasani And Y. Pristyanto, “Algoritme Stacking Untuk Klasifikasi
Penyakit Jantung Pada Dataset Imbalanced Class,” 2021. [Online]. Available:
[Link]/[Link]/Pseudocode
[9] A. Novita Sari And S. Alfionita, “Klasifikasi Penyakit Jantung Menggunakan
Metode Naïve Bayes,” Vol. 1, No. 1, Pp. 22–26, 2022, Doi:
10.12487/[Link].
[10] P. R. Fitrayana And D. R. S. Saputro, “Algoritme Clustering Large Application
(Clara) Untuk Menangani Data Outlier,” Prisma, Prosiding Seminar Nasional
Matematika, Vol. 5, Pp. 721–725, 2022, [Online]. Available:
Https://[Link]/Sju/[Link]/Prisma/
[11] P. R. , , D. A. Sihombing, S. Suryadiningrat, And Y. P. A. C. Yuda, . “Identifikasi
Data Outlier (Pencilan) Dan Kenormalan Data Pada Data Univariat Serta
Alternatif Penyelesaiannya,” Jurnal Ekonomi Dan Statistik Indonesia, Pp. 307–
316, 2022.
[12] R. Fikri, “Handling Imbalanced Dataset,”
Https://[Link]/@Rusnandifikri96/Handling-Imbalanced-Dataset-
260378b2a21b, Jul. 23, 2020.
[13] A. A. Arifiyanti And E. D. Wahyuni, “Smote: Metode Penyeimbang Kelas Pada
Klasifikasi Data Mining,” Issn 2686-6099, Vol. 11, 2020.
[14] A. Liani, “Analisis Perbandingan Kernel Algoritma Support Vector Machine
Dalam Mengklasifikasikan Skripsi Teknik Informatika Berdasarkan Abstrak,”
Joins (Journal Of Information System), Vol. 5, No. 2, 2020, Doi:
10.33633/Joins.V5i2.3715.
[15] P. M. Kouate, “Machine Learning: Gridsearchcv & Randomizedsearchcv,”
Https://[Link]/Machine-Learning-Gridsearchcv-
Randomizedsearchcv-D36b89231b10, Sep. 11, 2020.
[16] M. S. Anggreany, “Confusion Matrix,”
Https://[Link]/2020/11/01/Confusion-Matrix/, Nov. 01, 2020.
[17] R. Maulid, “Kriteria Jenis Teknik Analisis Data Dalam Forecasting,”
Https://[Link]/Kriteria-Jenis-Teknik-Analisis-Data-Dalam-Forecasting,
Jan. 14, 2022.
[18] A. A. Suryanto, A. Muqtadir, And S. Artikel, “Penerapan Metode Mean Absolute
Error (Mea) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi Info
Artikel : Abstrak,” No. 1, P. 11, 2019.
[19] Y. D. Wijaya And M. W. Astuti, “Pengujian Blackbox Sistem Informasi Penilaian
Kinerja Karyawan Pt Inka (Persero) Berbasis Equivalence Partitions,” Jurnal
Digital Teknologi Informasi, Vol. 4, No. 1, 2021, Doi:
10.32502/Digital.V4i1.3163.
[20] E. Agustin, A. Eviyanti, And N. Lutvi Azizah, “Deteksi Penyakit Epilepsi Melalui
Sinyal Eeg Menggunakan Metode Dwt Dan Extreme Gradient Boosting,” Vol. 7,
No. 1, Pp. 117–127, 2023, Doi: 10.30865/Mib.V7i1.5412.

452