PREDIKSI PENYAKIT JANTUNG KORONER DENGAN METODE NAIVE BAYES, SVM DAN RANDOM FOREST

Pratama, Muhammad Iqbal (2024) PREDIKSI PENYAKIT JANTUNG KORONER DENGAN METODE NAIVE BAYES, SVM DAN RANDOM FOREST. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (851kB)
	Text (BAB I) BAB I.pdf Download (193kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (697kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (346kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text (BAB V) BAB V.pdf Download (258kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (101kB)
	Archive (SOURCE CODE) Sourcecode - 18.11.2283.zip Restricted to Repository staff only Download (8MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (519kB)

Abstract

Penyakit jantung koroner (PJK) merupakan salah satu penyebab utama kematian global. Studi ini bertujuan untuk membandingkan performa tiga algoritma klasifikasi dalam memprediksi PJK, yaitu Naive Bayes, Random Forest, dan SVM. Data yang digunakan berasal dari UCI machine learning repository dengan judul heart disease. Metode penelitian menggunakan langkah-langkah standar dalam pemrosesan data dan pengujian model. Pertama, pembersihan data, seleksi data, dan transformasi data. Kemudian, dilakukan pembagian data menjadi 3 kelompok yaitu 80:20, 70:30, dan 60:40 untuk melatih dan menguji ketiga algoritma klasifikasi supaya mendapatkan hasil model yang maksimal. Hasil penelitian menunjukkan bahwa ketiga algoritma klasifikasi memberikan performa yang berbeda-beda dalam memprediksi PJK. Naive bayes dan svm menunjukkan hasil yang sama pada pembagian data yaitu 80:20 dengan tingkat akurasi 89%, dan 60:40 dengan tingkat akurasi 84% sedangkan random forest mendapatkan tingkat akurasi 87%. Untuk pembagian data 70:30 model naive bayes lebih unggul dari random forest dan svm dengan tingkat akurasi 86%. Penelitian ini memberikan wawasan tentang penggunaan berbagai algoritma klasifikasi untuk prediksi PJK, dengan implikasi potensial untuk pengembangan sistem pendukung keputusan di bidang medis. Namun, perlu diperhatikan bahwa performa algoritma dapat bervariasi tergantung pada karakteristik data spesifik dan parameter yang diatur. Penelitian selanjutnya dapat melibatkan dataset yang lebih besar atau faktor risiko tambahan untuk meningkatkan ketepatan prediksi dan generalisasi model.

Actions (login required)

View Item