The purpose of this research is to analyze the effect of leverage on firm value. Independent variables used are Leverage proxies, namely Debt to Equity Ratio (DER) dan Debt to Asset Ratio (DAR). The Dependent variable used is a proxy for firm value, namely Price To Book Value (PBV). The population in this study are chemical companies sub-sector manufacturing companies listed on the Indonesia Stock Exchange (IDX) in 2016-2020. The sampling method used was purposive sampling method with a sample of 8 chemical companies during the observation period of 5 consecutive years so that the total sample was 40. The analytical method of this study uses multiple linear regression. The results of this study indicate that (1) Debt To Equity Ratio (DER) has a negative and significant effect on Price to Book Value (PBV). This is known from the test results where the calculated T value = -4.535 is less than T table = 1.685 and the significant value of the Debt to Equity Ratio (DER) variable is 0.000 which is less than 0.05. (2) Debt To Asset Ratio (DAR) has a positive and significant effect on Price to Book Value (PBV). It is known from the test results where t count = 4.560 is greater than t table = 1.685 and the significant value of the Debt to Asset Ratio (DAR) variable is 0.000 less than 0.05. Meanwhile, the Debt to Equity Ratio (DER) and Debt to Asset Ratio (DAR) simultaneously have a significant positive effect on the Price To Book Value (PBV) of chemical companies listed on the Indonesia Stock Exchange (IDX) in the period 2016-2020. It is known from the calculated F value of 10.524 and the F table value of 3.19 so that the calculated F value > F table value, namely 10.524 > 3.19 with a significance value of 0.000 <0.05.

Serangan jantung adalah salah satu faktor utama dalam tingginya tingkat angkat penyebab kematian di seluruh dunia dan memerlukan prosedur diagnosa yang canggih sehingga dapat mengakibatkan peningkatan biaya yang signifikan. Memprediksi penyakit jantung merupakan tantangan utama dalam bidang kesehatan karena keterbatasan peralatan diagnosis penyakit ini. Prediksi penyakit jantung yang akurat sangat penting untuk mengobati pasien sebelum serangan jantung terjadi. Prediksi ini dapat dicapai dengan menggunakan model pembelajaran mesin (machine learning) yang optimal dengan data layanan kesehatan yang kaya (datasets) mengenai penyakit jantung. Namun, Permasalahan yang umumnya dihadapi oleh model prediksi penyakit jantung seperti data yang menyimpang secara ekstrim (outliers), data yang hilang, data yang tidak konsisten, dan data yang tercampur baik secara numerik maupun kategorikal. Data yang tidak konsisten menyebabkan kemungkinan kesalahan prediksi dan akan mempengaruhi hasil dari prediksi. Pada penelitian ini kami mencoba mengatasi masalah outlier pada dataset penyakit jantung menggunakan salah satu metode feature scaling yaitu robust scaler. Hasil Eksperimen dengan model klasifikasi algoritma K-Nearest Neighbors menggunakan metode scaling robust scaler memperoleh nilai lebih baik dibandingkan dengan tanpa robust scaler dengan nilai F1 score sebesar 0.86.