Analisis Perbandingan Metode SMART dan SAW dalam Penentuan Tingkat Risiko Penyakit Jantung Berdasarkan Faktor Klinis dan Gaya Hidup
Keywords:
Sistem Pendukung Keputusan, SMART, SAW, Penyakit Jantung, Risiko Kesehatan.Abstract
Penyakit jantung merupakan salah satu penyebab utama kematian di dunia sehingga diperlukan sistem yang mampu membantu proses identifikasi tingkat risiko secara cepat dan objektif. Penelitian ini bertujuan membandingkan metode Simple Additive Weighting (SAW) dan Simple Multi-Attribute Rating Technique (SMART) dalam Sistem Pendukung Keputusan untuk menentukan tingkat risiko penyakit jantung berdasarkan faktor klinis dan gaya hidup pasien. Data penelitian menggunakan dataset Smart Healthcare and Lifestyle Prediction Dataset yang diperoleh dari Kaggle. Dari sekitar 5.000 data pasien, dipilih 48 data sebagai sampel menggunakan teknik Simple Random Sampling. Kriteria yang digunakan meliputi usia, indeks massa tubuh (BMI), aktivitas fisik, kebiasaan merokok, konsumsi alkohol, tekanan darah, kadar kolesterol, dan kadar glukosa. Proses penelitian meliputi prapemrosesan data, penentuan bobot kriteria, perhitungan menggunakan metode SMART dan SAW, serta analisis perbandingan hasil. Hasil penelitian menunjukkan bahwa metode SAW menghasilkan nilai preferensi pada rentang 0,4397–0,8772, sedangkan SMART menghasilkan rentang 0,21066–0,79229. Kedua metode memiliki tingkat kesamaan perangkingan sebesar 82%. Metode SMART menghasilkan distribusi nilai yang lebih proporsional dan stabil terhadap nilai ekstrem, sedangkan metode SAW lebih sederhana dan efisien dalam proses perhitungan. Hasil penelitian menunjukkan bahwa kedua metode layak diterapkan sebagai alternatif dalam Sistem Pendukung Keputusan untuk penentuan tingkat risiko penyakit jantung.
References
[1] ,
[2] . Pemanfaatan pendekatan tersebut memungkinkan proses pengambilan keputusan dilakukan secara lebih sistematis, transparan, dan objektif dibandingkan metode konvensional. Namun, kondisi nyata menunjukkan bahwa penyakit kardiovaskular (Cardiovascular Diseases/CVD) masih menjadi penyebab kematian tertinggi di dunia dan merupakan tantangan utama dalam pelayanan kesehatan. Menurut World Health Organization (WHO), penyakit kardiovaskular menyebabkan sekitar 19,8 juta kematian pada tahun 2022, atau sekitar 32% dari seluruh kematian global, dengan sekitar 85% di antaranya disebabkan oleh serangan jantung dan stroke
[3] . Sebagian besar kasus tersebut berkaitan dengan faktor risiko yang dapat diidentifikasi dan dikendalikan sejak dini, seperti hipertensi, kadar kolesterol tinggi, diabetes, obesitas, kebiasaan merokok, konsumsi alkohol, serta rendahnya aktivitas fisik. Kondisi ini menunjukkan bahwa identifikasi risiko penyakit jantung secara dini sangat diperlukan untuk mendukung upaya pencegahan, meningkatkan efektivitas penanganan pasien, dan menurunkan angka kematian akibat penyakit kardiovaskular
[4] ,
[5] . Penentuan risiko penyakit jantung menjadi semakin kompleks karena melibatkan berbagai faktor klinis dan gaya hidup yang saling berpengaruh. Faktor-faktor seperti usia, indeks massa tubuh (Body Mass Index), tekanan darah, kadar kolesterol, kadar glukosa, aktivitas fisik, kebiasaan merokok, dan konsumsi alkohol merupakan indikator yang banyak digunakan dalam penilaian risiko penyakit kardiovaskular
[6] . Banyaknya variabel yang harus dipertimbangkan serta meningkatnya jumlah data kesehatan menyebabkan proses penilaian risiko secara manual menjadi kurang efisien dan berpotensi menghasilkan keputusan yang tidak konsisten. Oleh karena itu, tenaga kesehatan memerlukan sistem yang mampu membantu proses analisis dan pengambilan keputusan secara lebih cepat, objektif, dan akurat. Perkembangan Clinical Decision Support System (CDSS) menunjukkan bahwa sistem pendukung keputusan mampu meningkatkan kualitas keputusan klinis melalui pemanfaatan data kesehatan yang terintegrasi, sehingga dapat mendukung identifikasi dini risiko penyakit jantung dan membantu tenaga kesehatan dalam menentukan prioritas penanganan pasien
[7] ,
[8] . Berbagai penelitian terdahulu telah menerapkan metode Simple Additive Weighting (SAW) dan Simple Multi Attribute Rating Technique (SMART) dalam berbagai kasus pengambilan keputusan. Metode SAW dikenal memiliki proses perhitungan yang sederhana melalui normalisasi dan pembobotan kriteria, sedangkan metode SMART menggunakan pendekatan utilitas yang memberikan fleksibilitas dalam mengevaluasi alternatif berdasarkan tingkat kepentingan setiap kriteria
[9] ,
[10] . Penerapan metode SMART juga telah menunjukkan hasil yang baik pada bidang kesehatan, seperti sistem deteksi COVID-19, sementara pendekatan Multi-Criteria Decision Making (MCDM) telah dimanfaatkan untuk mengevaluasi kinerja sistem kesehatan dan mendukung pengambilan keputusan yang melibatkan banyak kriteria
[11] ,
[12] . Meskipun demikian, penelitian yang membandingkan metode SMART dan SAW secara khusus untuk menentukan risiko penyakit jantung berdasarkan kombinasi faktor klinis dan gaya hidup masih sangat terbatas. Sebagian besar penelitian sebelumnya hanya menerapkan salah satu metode atau menggunakan objek penelitian di luar bidang penyakit kardiovaskular. Oleh karena itu, penelitian ini menawarkan analisis komparatif kedua metode dalam Sistem Pendukung Keputusan untuk menentukan risiko penyakit jantung berdasarkan faktor klinis dan gaya hidup sehingga dapat memberikan rekomendasi metode yang lebih sesuai untuk mendukung proses pengambilan keputusan di bidang kesehatan. Berdasarkan permasalahan tersebut, penelitian ini menawarkan solusi berupa penerapan dan perbandingan metode SMART dan SAW dalam Sistem Pendukung Keputusan untuk menentukan tingkat risiko penyakit jantung berdasarkan faktor klinis dan gaya hidup. Tujuan penelitian ini adalah menganalisis perbedaan hasil perangkingan yang dihasilkan oleh kedua metode serta menentukan metode yang lebih efektif untuk diterapkan dalam proses identifikasi risiko penyakit jantung. Hasil penelitian diharapkan dapat menjadi referensi bagi pengembangan Sistem Pendukung Keputusan di bidang kesehatan dan membantu tenaga kesehatan dalam melakukan penilaian risiko secara lebih objektif dan akurat. Kontribusi utama penelitian ini terletak pada penggunaan kombinasi faktor klinis dan gaya hidup secara bersamaan sebagai kriteria penilaian risiko penyakit jantung dalam kerangka Multi-Criteria Decision Making (MCDM), yang belum banyak dilakukan pada penelitian sebelumnya. Selain itu, penelitian ini menyediakan analisis komparatif kuantitatif antara metode SAW dan SMART mencakup distribusi nilai preferensi, tingkat konsistensi perangkingan, serta karakteristik masing-masing metode dalam konteks data kesehatan. Hasil penelitian diharapkan dapat menjadi panduan empiris bagi pengembang sistem pendukung keputusan di bidang kesehatan dalam memilih metode MCDM yang paling sesuai dengan kebutuhan komputasi dan karakteristik data yang dihadapi. Metodologi Penelitian 2.1 Tahapan Penelitian Secara umum tahapan penelitian terdiri atas pengumpulan data, pra-pemrosesan data, penentuan kriteria dan bobot, perhitungan menggunakan metode SMART, perhitungan menggunakan metode SAW, analisis hasil, dan penarikan kesimpulan. Alur penelitian secara keseluruhan digambarkan sebagai berikut: Pengumpulan data dari platform Kaggle Prapemrosesan data meliputi pengecekan missing value, duplikasi, dan transformasi data. Penentuan kriteria dan bobot berdasarkan literatur kesehatan. Perhitungan menggunakan metode SMART. Perhitungan menggunakan metode SAW. Analisis perbandingan hasil kedua metode. Penarikan kesimpulan berdasarkan hasil perbandingan. Tahapan-tahapan tersebut dilaksanakan secara sistematis dan berurutan untuk memastikan konsistensi dan validitas proses penelitian. 2.2 Pengumpulan data Penelitian ini menggunakan data sekunder yang diperoleh dari platform Kaggle melalui dataset Smart Healthcare and Lifestyle Prediction Dataset yang dipublikasikan oleh Robiul Hasan Jisan. Dataset tersebut memuat data karakteristik pasien yang terdiri atas faktor klinis dan faktor gaya hidup sehingga sesuai digunakan sebagai objek penelitian dalam proses penentuan risiko penyakit jantung menggunakan metode Simple Multi Attribute Rating Technique (SMART) dan Simple Additive Weighting (SAW)
[13] . Dataset ini dipilih karena menyediakan variabel yang relevan untuk merepresentasikan kondisi kesehatan pasien serta mendukung proses pengambilan keputusan berbasis multikriteria. Variabel yang digunakan dalam penelitian meliputi usia (Age), indeks massa tubuh (Body Mass Index/BMI), tekanan darah (Blood Pressure), kadar kolesterol (Cholesterol), kadar glukosa (Glucose), aktivitas fisik (Exercise), kebiasaan merokok (Smoking), dan konsumsi alkohol (Alcohol). Pemilihan variabel tersebut didasarkan pada literatur dan pedoman kesehatan yang menyatakan bahwa faktor-faktor tersebut merupakan indikator penting dalam penilaian risiko penyakit jantung. Pada penelitian ini dipilih sebanyak 48 data pasien sebagai sampel penelitian menggunakan teknik Simple Random Sampling, yaitu teknik pengambilan sampel yang memberikan kesempatan yang sama bagi setiap anggota populasi untuk terpilih sebagai sampel tanpa mempertimbangkan strata atau kategori tertentu. Jumlah 48 sampel ditentukan berdasarkan pertimbangan keterbatasan sumber daya komputasi dalam proses perhitungan manual metode MCDM, serta bertujuan untuk menyajikan tahapan perhitungan metode SMART dan SAW secara rinci dan dapat diverifikasi. Meskipun jumlah sampel ini relatif kecil dibandingkan total populasi dataset (5.000 data), penggunaan teknik Simple Random Sampling tetap memastikan bahwa setiap data memiliki peluang yang sama untuk terpilih, sehingga sampel yang diperoleh dapat merepresentasikan keberagaman karakteristik pasien dalam dataset. Keterbatasan ini diakui sebagai salah satu limitasi penelitian yang dapat diatasi pada penelitian selanjutnya dengan menggunakan jumlah sampel yang lebih besar. Selanjutnya, data yang telah diperoleh melalui proses seleksi dan penyesuaian digunakan sebagai alternatif dalam perhitungan menggunakan metode SMART dan SAW untuk menghasilkan peringkat tingkat risiko penyakit jantung pada setiap pasien. 2.2 Prapemrosesan Data Pada tahap ini dilakukan pemeriksaan kualitas data sebelum digunakan dalam proses perhitungan. Tahapan pra-pemrosesan meliputi identifikasi data kosong (missing value), pemeriksaan data duplikat, serta transformasi data kategorikal menjadi data numerik apabila diperlukan. Selain itu, dilakukan seleksi atribut untuk memastikan bahwa hanya variabel yang relevan dengan penentuan tingkat risiko penyakit jantung yang digunakan dalam penelitian. Hasil dari tahap ini berupa dataset yang siap digunakan dalam proses pengambilan keputusan. Penentuan Kriteria dan Bobot Setelah data siap digunakan, dilakukan penentuan kriteria dan bobot yang akan digunakan pada metode SMART dan SAW. Bobot diberikan berdasarkan tingkat pengaruh masing-masing kriteria terhadap risiko kesehatan pasien. Tabel 1.Kriteria Penilaian Bobot kriteria digunakan sebagai dasar perhitungan nilai preferensi pada metode SMART maupun SAW. Metode SMART Metode SMART digunakan untuk menghitung tingkat preferensi setiap alternatif berdasarkan nilai utilitas dan bobot kriteria yang telah ditentukan. Tahapan metode SMART meliputi normalisasi bobot, perhitungan nilai utilitas setiap kriteria, dan perhitungan nilai akhir alternatif. Nilai akhir SMART diperoleh dari hasil perkalian bobot normalisasi dengan nilai utilitas masing-masing kriteria. Alternatif dengan nilai tertinggi menunjukkan tingkat risiko kesehatan yang lebih tinggi dibandingkan alternatif lainnya. Metode SAW Metode SAW digunakan untuk menghitung nilai preferensi alternatif melalui proses normalisasi matriks keputusan dan pembobotan kriteria. Setiap nilai alternatif dinormalisasi sesuai jenis atribut kemudian dikalikan dengan bobot kriteria yang telah ditentukan. Nilai preferensi akhir diperoleh dari penjumlahan seluruh hasil perkalian nilai normalisasi dengan bobot masing-masing kriteria. Semakin tinggi nilai preferensi yang diperoleh maka semakin tinggi tingkat risiko kesehatan pasien. Analisis Perbandingan Selanjutnya adalah membandingkan hasil yang diperoleh dari metode SMART dan SAW. Perbandingan dilakukan berdasarkan nilai preferensi, hasil perangkingan, serta tingkat konsistensi keputusan yang dihasilkan oleh kedua metode. Hasil perhitungan dari masing-masing metode dianalisis untuk mengetahui metode yang lebih sesuai digunakan dalam Sistem Pendukung Keputusan penentuan tingkat risiko kesehatan pasien. Analisis ini dilakukan untuk melihat kelebihan dan kekurangan masing-masing metode dalam mengolah data kesehatan yang memiliki banyak kriteria. Hasil dan Pembahasan 3.1 Menentukan Alternatif dan Kriteria Penelitian ini menggunakan data Publik yang dipublikasikan oleh Robiul Hasan Jisan dengan judul Smart Healthcare and Lifestyle Prediction yang tersedia pada platform Kaggle. Dataset tersebut terdiri atas sekitar 5.000 data pasien yang memuat informasi mengenai faktor klinis dan gaya hidup. Mengingat penelitian ini bertujuan untuk menganalisis dan membandingkan proses perhitungan metode SMART dan SAW secara rinci, maka digunakan 48 data pasien sebagai sampel penelitian. Sampel tersebut dipilih dari dataset asli sehingga tetap mewakili variasi karakteristik pasien berdasarkan seluruh kriteria yang digunakan. Data mencakup informasi faktor klinis dan gaya hidup pasien yang digunakan sebagai dasar penentuan tingkat risiko kesehatan. Berikut adalah ringkasan data yang digunakan dalam penelitian: Tabel 2.Nilai Bobot Kriteria Bobot ditentukan berdasarkan kajian literatur WHO, ESC Guideline, dan penelitian terdahulu mengenai faktor risiko penyakit jantung. Tabel 3.Data Alternatif Awal Tabel 3 menunjukkan data awal yang digunakan sebagai alternatif dalam proses pengambilan keputusan. Setiap alternatif merepresentasikan satu pasien dengan karakteristik yang berbeda pada seluruh kriteria penilaian. Variasi nilai pada setiap kriteria menggambarkan perbedaan kondisi kesehatan masing-masing pasien sehingga diperlukan metode pengambilan keputusan multikriteria untuk memperoleh hasil penilaian yang lebih objektif. Berdasarkan data alternatif tersebut, diperoleh nilai minimum dan maksimum untuk masing-masing kriteria sebagai berikut: Tabel 4.Kriteria Penilaian Nilai tersebut digunakan sebagai acuan dalam proses normalisasi data. Selain itu, setiap kriteria diklasifikasikan sebagai atribut benefit atau cost. Kriteria dengan tipe benefit menunjukkan bahwa nilai yang lebih besar merepresentasikan tingkat risiko yang lebih tinggi, sedangkan kriteria bertipe cost menunjukkan bahwa nilai yang lebih kecil memberikan kontribusi risiko yang lebih tinggi. Pada penelitian ini hanya kriteria Exercise Level yang termasuk atribut cost, karena semakin tinggi tingkat aktivitas fisik maka risiko penyakit jantung cenderung menurun. Perhitungan Metode SAW Metode Simple Additive Weighting (SAW) diterapkan melalui dua tahapan utama, yaitu proses normalisasi matriks keputusan dan perhitungan nilai preferensi. Normalisasi dilakukan agar seluruh nilai kriteria berada pada skala yang seragam sehingga dapat dibandingkan secara proporsional meskipun memiliki satuan pengukuran yang berbeda. Rumus Normalisasi SAW: Benefit : Cost : Tabel 5.Normalisasi SAW Hasil normalisasi pada Tabel 5 menunjukkan bahwa seluruh nilai kriteria telah berhasil ditransformasikan ke dalam rentang 0 sampai 1. Proses ini bertujuan menghilangkan perbedaan skala antarvariabel sehingga setiap kriteria dapat memberikan kontribusi yang seimbang pada proses pembobotan. Setelah proses normalisasi selesai, setiap nilai dikalikan dengan bobot kriteria yang telah ditentukan untuk memperoleh nilai preferensi akhir masing-masing alternatif. Rumus Nilai Preferensi SAW: Tabel 6.Hasil Perhitungan Akhir Nilai Prefrensi Berdasarkan perhitungan yang telah dilakukan, berikut adalah hasil nilai preferensi dan perangkingan untuk 48 pasien menggunakan metode SAW: Tabel 7.Perangkingan Nilai SAW Perangkingan pada Tabel 7 memperlihatkan urutan alternatif berdasarkan nilai preferensi metode SAW. Alternatif A18 memperoleh nilai preferensi tertinggi sebesar 0,8772 sehingga diklasifikasikan sebagai pasien dengan tingkat risiko penyakit jantung paling tinggi.Selanjutnya diperoleh A20 sebagai nilai preferensi paling rendah yaitu 0,4397, sehingga dikategorikan sebagai pasien dengan tingkat risiko paling rendah di antara seluruh alternatif yang dianalisis. Tabel 10.Pengklasifikasia Timgkat Resiko Berdasarkan metode SAW. Distribusi tersebut menunjukkan bahwa mayoritas pasien memiliki faktor risiko yang berada pada tingkat menengah sehingga masih diperlukan upaya pencegahan dan pengendalian faktor risiko agar tidak berkembang menjadi kondisi dengan risiko penyakit jantung yang lebih tinggi. Perhitungan Metode SMART Metode Simple Multi-Attribute Rating Technique (SMART) dilakukan melalui tahapan normalisasi bobot, perhitungan nilai utilitas setiap kriteria, dan perhitungan nilai akhir alternatif. Rumus Utility SMART: Benefit : uij = (x - min) / (max - min) Cost: uij = (max - x) / (max - min) Tabel 9.Nilai Utility SMART Berdasarkan hasil perhitungan tersebut diperoleh nilai utilitas masing-masing alternatif seperti ditunjukkan pada Tabel 9. Setelah seluruh nilai utilitas diperoleh, tahap berikutnya adalah menghitung nilai preferensi akhir setiap alternatif. Nilai preferensi diperoleh melalui penjumlahan hasil perkalian antara bobot masing-masing kriteria dengan nilai utilitas yang bersesuaian. Semakin besar nilai preferensi yang dihasilkan, maka semakin tinggi tingkat risiko penyakit jantung yang dimiliki oleh pasien.Hasil perhitungan nilai preferensi kemudian diurutkan berdasarkan nilai terbesar hingga terkecil untuk memperoleh perangkingan alternatif sebagaimana ditunjukkan pada Tabel 10. Tabel 10.Hasil Perangkingan dan Klasifikasi SMART Hasil klasifikasi ini menunjukkan bahwa metode SMART tidak hanya mampu menghasilkan urutan prioritas alternatif, tetapi juga memberikan gambaran tingkat risiko yang lebih mudah dipahami oleh pengguna sistem pendukung keputusan. Informasi tersebut dapat dimanfaatkan sebagai dasar dalam menentukan prioritas pemeriksaan lanjutan maupun tindakan pencegahan bagi pasien yang memiliki tingkat risiko lebih tinggi. Analisis Perbandingan Metode SAW dan SMART Analisis perbandingan dilakukan untuk mengevaluasi perbedaan hasil perhitungan yang diperoleh menggunakan metode SAW dan SMART dalam menentukan tingkat risiko penyakit jantung. Perbandingan meliputi nilai preferensi, hasil perangkingan, serta karakteristik masing-masing metode didapat nilai prefrensi berikut : Tabel 11.Hasil Prefrensi Metode SAW dan SMART Berdasarkan Tabel 11, metode SAW menghasilkan rata-rata nilai preferensi yang lebih tinggi dibandingkan SMART. Sementara itu, metode SMART memiliki standar deviasi yang lebih besar sehingga mampu menghasilkan penyebaran nilai yang lebih luas dalam membedakan tingkat risiko antar pasien. Tabel 12.Perbandingan Hasil Peranglkingan Pada Tabel 12 menunjukkan bahwa kedua metode memiliki tingkat kesesuaian perangkingan sebesar 82%, sedangkan beberapa perubahan urutan hanya terjadi pada alternatif dengan nilai preferensi yang berdekatan, seperti A2 dan A46 serta A4 dan A7. Selanjutnya dilakukan perbandingan karakteristik antara metode SAW dan SMART untuk mencari keungulan pada masing-masing metode yang digunakan Tabel 12.Perbandingan Hasil Peranglkingan Berdasarkan Tabel 13, metode SAW memiliki keunggulan pada proses perhitungan yang lebih sederhana sehingga sesuai diterapkan pada sistem pendukung keputusan yang membutuhkan komputasi cepat. Sebaliknya, metode SMART menggunakan pendekatan utilitas yang menghasilkan distribusi nilai lebih proporsional sehingga lebih stabil terhadap variasi data. Meskipun memiliki mekanisme normalisasi yang berbeda, kedua metode menunjukkan tingkat konsistensi yang tinggi dalam menentukan tingkat risiko penyakit jantung. Untuk menguji stabilitas hasil perangkingan terhadap perubahan bobot kriteria, dilakukan analisis sensitivitas sederhana dengan memodifikasi bobot tekanan darah (C6) dan kolesterol (C7) sebesar ±10% dari nilai awal. Hasil menunjukkan bahwa urutan 10 alternatif teratas pada metode SAW berubah pada 2 dari 10 posisi ketika bobot dimodifikasi, sementara metode SMART hanya mengalami perubahan pada 1 posisi. Hal ini mengindikasikan bahwa metode SMART relatif lebih stabil terhadap variasi bobot dibandingkan SAW, yang selaras dengan karakteristik metode SMART dalam menggunakan pendekatan utilitas berbasis rentang nilai. Adapun validasi terhadap diagnosis klinis merupakan keterbatasan penelitian ini, mengingat dataset yang digunakan tidak menyertakan label diagnosis resmi dari dokter. Penelitian selanjutnya disarankan menggunakan dataset dengan label diagnosis klinis yang tervalidasi untuk memungkinkan pengukuran akurasi hasil keputusan kedua metode secara lebih komprehensif. Berdasarkan karakteristik masing-masing metode, penelitian ini merekomendasikan penggunaan metode SAW untuk implementasi pada sistem pendukung keputusan di lingkungan fasilitas kesehatan tingkat pertama (puskesmas atau klinik) yang membutuhkan proses skrining risiko yang cepat dan mudah dipahami oleh petugas kesehatan. Sebaliknya, metode SMART lebih direkomendasikan untuk penerapan pada sistem pendukung keputusan di rumah sakit rujukan yang memerlukan penilaian risiko lebih terperinci dan akurat, terutama pada kondisi data pasien yang memiliki variasi tinggi. Dengan demikian, pemilihan metode sebaiknya disesuaikan dengan konteks penggunaan, kapasitas teknis sistem, dan karakteristik data yang dihadapi. Hasil penelitian juga menunjukkan bahwa pasien dengan nilai preferensi tertinggi umumnya memiliki kombinasi faktor risiko berupa usia lanjut, tekanan darah tinggi, kadar kolesterol dan glukosa yang tinggi, kebiasaan merokok, konsumsi alkohol, serta tingkat aktivitas fisik yang rendah. Sebaliknya, pasien dengan nilai preferensi rendah cenderung memiliki kondisi klinis yang lebih baik dan menerapkan gaya hidup yang lebih sehat. Temuan ini menunjukkan bahwa faktor klinis dan gaya hidup secara bersama-sama memberikan kontribusi terhadap penentuan tingkat risiko penyakit jantung. Secara keseluruhan, metode SAW dan SMART mampu menghasilkan keputusan yang konsisten dalam proses penentuan tingkat risiko penyakit jantung. Metode SAW lebih sesuai digunakan apabila dibutuhkan proses perhitungan yang sederhana dan cepat, sedangkan metode SMART lebih tepat diterapkan apabila diperlukan hasil evaluasi yang lebih proporsional terhadap karakteristik data. Oleh karena itu, kedua metode layak diimplementasikan sebagai pendekatan dalam sistem pendukung keputusan untuk membantu identifikasi tingkat risiko penyakit jantung. Implikasi praktis dari penelitian ini mencakup beberapa aspek penting. Pertama, metode SAW direkomendasikan untuk diimplementasikan pada sistem pendukung keputusan yang membutuhkan waktu respons cepat dan antarmuka yang mudah dipahami oleh tenaga kesehatan non-teknis, mengingat proses perhitungannya yang sederhana dan transparan. Kedua, metode SMART lebih tepat digunakan pada sistem yang memerlukan penilaian risiko yang proporsional dan akurat, terutama ketika data pasien memiliki variasi nilai yang tinggi atau terdapat outlier pada kriteria tertentu. Ketiga, tingkat konsistensi perangkingan sebesar 82% antara kedua metode menunjukkan bahwa institusi kesehatan dapat memilih salah satu metode sesuai dengan kapasitas teknis dan kebutuhan sistem tanpa khawatir akan perbedaan hasil yang signifikan. Hasil penelitian ini dapat menjadi referensi bagi pengembang sistem informasi kesehatan, peneliti MCDM, maupun institusi pelayanan kesehatan dalam merancang sistem pendukung keputusan berbasis multikriteria untuk penentuan prioritas risiko pasien. Meskipun demikian, penelitian ini masih memiliki beberapa keterbatasan. Analisis hanya menggunakan 48 data pasien yang dipilih dari dataset yang berjumlah sekitar 5.000 data, sehingga hasil penelitian belum sepenuhnya merepresentasikan keseluruhan populasi data. Selain itu, bobot kriteria ditentukan berdasarkan kajian literatur dan pedoman kesehatan tanpa melibatkan validasi langsung dari pakar klinis. Penelitian ini juga hanya membandingkan dua metode MCDM, yaitu SAW dan SMART. Oleh karena itu, penelitian selanjutnya dapat menggunakan jumlah data yang lebih besar, melibatkan pakar dalam proses pembobotan, serta membandingkan metode lain seperti TOPSIS, MOORA, atau VIKOR untuk memperoleh hasil yang lebih komprehensif. Kesimpulan Berdasarkan hasil penelitian, metode Simple Additive Weighting (SAW) dan Simple Multi-Attribute Rating Technique (SMART) berhasil diterapkan untuk menentukan tingkat risiko penyakit jantung berdasarkan faktor klinis dan gaya hidup pasien. Metode SAW menghasilkan nilai preferensi pada rentang 0,4397–0,8772, sedangkan metode SMART berada pada rentang 0,21066–0,79229, dengan nilai yang lebih tinggi menunjukkan tingkat risiko yang semakin besar. Hasil perbandingan menunjukkan tingkat kesamaan perangkingan sebesar 82%, sehingga kedua metode memiliki konsistensi yang tinggi dalam memberikan rekomendasi tingkat risiko pasien. Metode SMART menghasilkan distribusi nilai yang lebih proporsional dan lebih stabil terhadap nilai ekstrem, sedangkan metode SAW lebih sederhana dan efisien untuk diterapkan pada sistem yang memerlukan proses komputasi cepat. Selain itu, penelitian ini menunjukkan bahwa tekanan darah, kolesterol, kebiasaan merokok, kadar glukosa, usia, dan indeks massa tubuh (BMI) merupakan faktor yang paling berpengaruh terhadap risiko penyakit jantung. Penelitian selanjutnya disarankan menggunakan dataset yang lebih besar serta membandingkan metode SMART dan SAW dengan metode MCDM lainnya untuk memperoleh hasil yang lebih komprehensif. Ucapan Terima Kasih Referensi
[14] P. Gongora-Salazar, S. Rocks, P. Fahr, O. Rivero-Arias, and A. Tsiachristas, “The Use of Multicriteria Decision Analysis to Support Decision Making in Healthcare: An Updated Systematic Literature Review,” Value Health, vol. 26, no. 5, pp. 780–790, May 2023, doi: 10.1016/j.jval.2022.11.007.
[15] S. Chakraborty, R. D. Raut, T. M. Rofin, and S. Chakraborty, “A comprehensive and systematic review of multi-criteria decision-making methods and applications in healthcare,” Healthc. Anal., vol. 4, p. 100232, Dec. 2023, doi: 10.1016/j.health.2023.100232.
[16] “Cardiovascular diseases (CVDs).” Accessed: Jul. 01, 2026. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
[17] F. Yılmaz and Ö. İnce, “A Comparative Analysis of the WHO European Region Countries’ Health 2020 Performance Using MCDM Methods,” J. Health Manag., vol. 28, no. 1, pp. 85–96, Feb. 2026, doi: 10.1177/09720634251396341.
[18] W. H. Organization, WHO clinical consortium on healthy ageing 2023: meeting report, Geneva, Switzerland, 5-7 December 2023. World Health Organization, 2024.
[19] J. De Backer et al., “2025 ESC Guidelines for the management of cardiovascular disease and pregnancy: Developed by the task force on the management of cardiovascular disease and pregnancy of the European Society of Cardiology (ESC)Endorsed by the European Society of Gynecology (ESG),” Eur. Heart J., vol. 46, no. 43, pp. 4462–4568, Nov. 2025, doi: 10.1093/eurheartj/ehaf193.
[20] T. J. Loftus et al., “Longitudinal clinical decision support for assessing decisions over time: State-of-the-art and future directions,” Digit. Health, vol. 10, p. 20552076241249925, Sep. 2024, doi: 10.1177/20552076241249925.
[21] M. Berkhout, K. Smit, and J. Versendaal, “Decision discovery using clinical decision support system decision log data for supporting the nurse decision-making process,” BMC Med. Inform. Decis. Mak., vol. 24, no. 1, p. 100, Apr. 2024, doi: 10.1186/s12911-024-02486-3.
[22] H. Taherdoost and A. Mohebi, “Using SMART Method for Multi-criteria Decision Making: Applications, Advantages, and Limitations,” Arch. Adv. Eng. Sci., vol. 2, no. 4, pp. 190–197, Apr. 2024, doi: 10.47852/bonviewAAES42022765.
[23] M. Akbar, E. Zahara, A. Assariy, and E. A. A. D, “Studi Perbandingan Metode SAW, MAUT dan SMART dalam Pemilihan Telepon Seluler untuk Belajar Online : Comparative Study of SAW, MAUT and SMART Methods in Selecting Smartphones for Online Learning,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 162–171, Jan. 2024, doi: 10.57152/malcom.v4i1.1073.
[24] A. E. Syaputra, “Implementasi Metode SAW dalam Menunjang Pengambilan Keputusan Penerimaan Tenaga Kependidikan Baru,” E-J. JUSITI J. Sist. Inf. Dan Teknol. Inf., vol. 12, no. 1, pp. 65–76, Jun. 2023, doi: 10.36774/jusiti.v12i1.1280.
[25] R. Irsyada and H. Audytra, “INOVASI METODE SMART (SIMPLE MULTI ATTRIBUTE RATING TECHNIQUE) SEBAGAI SISTEM DETEKSI COVID-19,” J. Simantec, vol. 11, no. 2, pp. 157–166, Jul. 2023, doi: 10.21107/simantec.v11i2.17258.
[26] “Smart Healthcare and Lifestyle Prediction Dataset.” Accessed: Jul. 06, 2026. [Online]. Available: https://www.kaggle.com/datasets/robiulhasanjisan/smart-healthcare-and-lifestyle-prediction-dataset
