ANALISIS ALGORITMA MULTILAYER PERCEPTRON (MLP) DAN RANDOM FOREST UNTUK DETEKSI DINI PENYAKIT KARDIOVASKULAR

Penyakit kardiovaskular adalah gangguan pada jantung dan pembuluh darah
yang dapat berujung pada serangan jantung, stroke, hingga gagal jantung,
karenanya deteksi dini penting. Studi ini membandingkan Multilayer Perceptron
(MLP) dan Random Forest untuk klasifikasi risiko pada dataset Kaggle berisi
70.000 sampel dengan target seimbang. Pra-proses meliputi konversi usia,
pembersihan outlier, standarisasi, dan seleksi fitur berbasis feature importance.
Kedua model dioptimalkan memakai RandomizedSearchCV dan dievaluasi dengan
akurasi, precision, recall, F1-score, AUC-ROC, confusion matrix, serta k-fold
cross-validation. Hasilnya, akurasi MLP 73.90?n Random Forest 74.23?ngan AUC sama-sama 0.80. Random Forest lebih stabil di seluruh fold dan lebih
baik pada kelas negatif, sedangkan MLP sedikit lebih sensitif pada kelas positif. Uji
independent t-test dan Mann-Whitney U test menunjukkan p>0,05 sehingga
perbedaan performa tidak signifikan. Fitur paling berpengaruh ialah tekanan darah diastolik, usia, kolesterol, dan tekanan darah sistolik. Prototipe Streamlit non-klinis menunjukkan potensi model untuk edukasi dan dukungan keputusan awal.