KOMPARASI AKURASI ALGORITMA SUPPORT VECTOR MACHINE (SVM), LOGISTIC REGRESSION, DAN NAIVE BAYES PADA PREDIKSI PENYAKIT JANTUNG

Dhuhuri, Muhammad Dimas Mugen (2024) KOMPARASI AKURASI ALGORITMA SUPPORT VECTOR MACHINE (SVM), LOGISTIC REGRESSION, DAN NAIVE BAYES PADA PREDIKSI PENYAKIT JANTUNG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (960kB)
	Text (BAB I) BAB I.pdf Download (137kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (422kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (336kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (543kB)
	Text (BAB V) BAB V.pdf Download (45kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (190kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3634.zip Restricted to Repository staff only Download (406kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (671kB)

Abstract

Penelitian ini bertujuan untuk komparasi/membandingkan performa dari tiga dalam prediksi penyakit jantung, yaitu Support Vector Machine (SVM), Logistic Regression, dan Naïve Bayes. Fokus pada evaluasi yang digunakan untuk mengukur performa algoritma, seperti akurasi, presisi, recall, dan F1-score dan faktor rendahnya nilai akurasi pada algoritma. Dalam klasifikasi dan prediksi penyakit jantung menggunakan dataset yang didapatkan dari Kaggle https://www.kaggle.com/datasets/rashikrahmanpritom/heart-attack-analysisprediction-dataset yang pernah digunakan untuk penelitian sebelumnya. Exploratory Data Analyst menunjukkan distribusi karakteristik seperti usia, jenis nyeri dada, tekanan darah, dan kolesterol pada sampel. Pada Feature selection mengamati variabel yang paling mempengaruhi output, termasuk exng, cp, oldpeak, dan thalachh. Hasil Evaluasi ketiga model Logistic Regression, Support Vector Machine (SVM), dan Naïve Bayes menggunakan Confusion Matrix Menunjukkan Logistic Regression mendapatkan nilai akurasi paling tinggi dengan persentase (88,52%) diikuti dengan Naïve Bayes dengan persentase (83,52%) dan yang terakhir Support Vector Machine dengan persentase (57,38%). Terdapat hasil akurasi yang rendah pada Support vector Machine (SVM) dilakukan improvisasi dengan membuat percobaan baru di model SVM untuk mendapatkan parameter terbaik, disini dibantu dengan gridsearchCV, dengan pilihan parameter C, kernel, degree, dan gamma. Dimana C merupakan kelipatan perkalian 10, gamma kelipatan 2, dan kenel kelipatan 3, Lalu menghasilkan parameter dengan akurasi 81,32% dan F1-score sebesar 84,21%

Actions (login required)

View Item