IMPLEMENTASI LOGISTIC REGRESSION UNTUK PREDIKSI PENYAKIT JANTUNG PADA DATASET CLEVELAND UCI

Al-Qodiry, Sayidah Aisah (2025) IMPLEMENTASI LOGISTIC REGRESSION UNTUK PREDIKSI PENYAKIT JANTUNG PADA DATASET CLEVELAND UCI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (134kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (574kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (163kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (942kB)
	Text (BAB V) BAB V.pdf Download (72kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (203kB)
	Archive (SOURCE CODE) Sourcecode - 21.12.1919.zip Restricted to Repository staff only Download (59kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (756kB)

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di Indonesia, dengan tingkat kematian yang terus meningkat setiap tahun. Metode tradisional dalam diagnosis penyakit jantung memerlukan waktu dan tidak selalu efisien, sehingga diperlukan pendekatan berbasis teknologi yang lebih akurat dan cepat. Penelitian ini menggunakan algoritma Logistic Regression untuk membangun model prediksi risiko penyakit jantung. Dataset Cleveland UCI, yang terdiri dari 297 data pasien dengan 13 atribut medis, digunakan sebagai basis penelitian ini. Dataset ini diolah melalui proses Knowledge Discovery in Database (KDD), yang meliputi data selection, pre-processing dan cleaning data, transformasi data, classification, interpretasi, dan knowledge presentation. Metode yang digunakan mencakup normalisasi data, penyeimbangan kelas menggunakan SMOTE, serta evaluasi model melalui metrik seperti akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa model Logistic Regression mampu memberikan prediksi dengan akurasi sebesar 91,67%, precision 100% untuk kelas pasien dengan penyakit jantung, recall 82,14%, F1-score 90,23%, dan nilai AUC sebesar 0,95. Hasil ini mengindikasikan kemampuan model dalam membedakan antara pasien yang terkena dan tidak terkena penyakit jantung secara efektif. Penelitian ini memberikan kontribusi dalam pengembangan metode prediksi berbasis data untuk membantu diagnosis dini penyakit jantung. Model ini dapat dimanfaatkan oleh tenaga medis dan institusi kesehatan untuk meningkatkan efisiensi dan akurasi dalam pengambilan keputusan. Peneliti selanjutnya disarankan untuk mengeksplorasi algoritma lain atau meningkatkan dataset untuk mengoptimalkan performa model.

Actions (login required)

View Item