EVALUASI PERFORMA ALGORITMA KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN RANDOM FOREST (RF) DAN SUPPORT VECTOR MACHINE (SVM)

Haniswaskito, Fadhien Ramadhan (2024) EVALUASI PERFORMA ALGORITMA KLASIFIKASI PENYAKIT JANTUNG MENGGUNAKAN RANDOM FOREST (RF) DAN SUPPORT VECTOR MACHINE (SVM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (947kB)
	Text (BAB I) BAB I.pdf Download (226kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (639kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (189kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (683kB)
	Text (BAB V) BAB V.pdf Download (98kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (127kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3783.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (683kB)

Abstract

Penyakit jantung merupakan salah satu masalah kesehatan masyarakat utama di dunia dan menjadi penyebab kematian nomor satu secara global, dengan lebih dari 17,9 juta kematian setiap tahun. Di Indonesia, penyakit jantung juga merupakan penyebab kematian utama dengan tren peningkatan prevalensi dari 0,5% pada tahun 2013 menjadi 1,5% pada tahun 2018. Pentingnya deteksi dini dan penanganan yang efektif menuntut pengembangan sistem prediksi berbasis teknologi untuk mendukung diagnosis medis. Dalam penelitian ini, dua algoritma pembelajaran mesin, yaitu Random Forest (RF) dan Support Vector Machine (SVM), dievaluasi performanya dalam klasifikasi penyakit jantung. Dataset yang digunakan meliputi UCI Heart Disease Dataset, Heart Attack Analysis & Prediction Dataset, dan Heart Disease Dataset. Teknik oversampling Synthetic Minority Oversampling Technique (SMOTE) diterapkan untuk menangani ketidakseimbangan data. Hasil penelitian menunjukkan bahwa algoritma RF memiliki performa lebih baik dibandingkan SVM dalam berbagai metrik evaluasi seperti ROC-AUC, precision, dan recall. Penerapan SMOTE secara signifikan meningkatkan kemampuan model dalam mendeteksi kelas minoritas, terutama pada algoritma RF yang menunjukkan peningkatan recall untuk kelas positif. RF menunjukkan fleksibilitas yang lebih baik terhadap data tidak seimbang setelah penerapan SMOTE, dengan akurasi sebesar 85% dan ROC-AUC sebesar 0,85. Oleh karena itu, RF direkomendasikan untuk digunakan dalam pengembangan sistem prediksi penyakit jantung.

Actions (login required)

View Item