KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN METODE SYNTHETIC MINORITY OVER-SAMPLING TECHNIQUE DAN RANDOM FOREST CLASIFIER

Hidayat, Hidayat (2024) KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN METODE SYNTHETIC MINORITY OVER-SAMPLING TECHNIQUE DAN RANDOM FOREST CLASIFIER. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 20.51.1392 Hidayat.pdf Download (3MB)

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi penyakit jantung dengan mengintegrasikan Synthetic Minority Over-sampling Technique (SMOTE) dan algoritma Random Forest Classifier. Data yang digunakan berasal dari pasien yang telah didiagnosis dengan penyakit jantung atau tidak. Tahap awal penelitian fokus pada penanggulangan masalah ketidakseimbangan kelas dengan mengaplikasikan SMOTE, menciptakan sampel sintetis dari kelas minoritas. Proses berlanjut dengan normalisasi data menggunakan metode min-max normalisasi, yang diikuti oleh proses klasifikasi menggunakan Random Forest Classifier untuk melatih model dalam melakukan klasifikasi. Hasil penelitian menunjukkan bahwa pendekatan ini efektif meningkatkan kemampuan model dalam mengidentifikasi kasus penyakit jantung. Evaluasi model menghasilkan akurasi yang lebih baik, mencapai 99%, yang menandai peningkatan 1% dari akurasi penelitian sebelumnya yang mencapai 98%. Dengan demikian, integrasi SMOTE dan Random Forest Classifier membawa kontribusi positif dalam meningkatkan ketepatan diagnosis penyakit jantung pada dataset pasien yang dianalisis. Hasil terbaik ini mencerminkan keberhasilan metode tersebut dalam mengatasi tantangan klasifikasi pada data kesehatan, memperkuat potensi aplikasinya dalam praktik medis untuk meningkatkan deteksi dini penyakit jantung.

Actions (login required)

View Item