Husi, Parno (2025) IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK PREDIKSI PENYAKIT JANTUNG MENGGUNAKAN DATASET HEARTS DISEASE UCI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (3MB) |
|
Text (BAB I)
BAB I.pdf Download (172kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (544kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (378kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (268kB) |
|
Text (BAB V)
BAB V.pdf Download (81kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (220kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4035.zip Restricted to Repository staff only Download (2kB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia dengan angka mortalitas yang terus meningkat setiap tahunnya. Keterlambatan dalam mendeteksi penyakit jantung menjadi faktor kritis yang mempengaruhi tingkat keberhasilan penanganan pasien. Penelitian ini mengimplementasikan algoritma Random Forest untuk mengembangkan model prediksi penyakit jantung menggunakan dataset UCI Heart Disease yang terdiri dari 1026 records dengan 13 parameter medis. Metodologi penelitian meliputi tahap preprocessing data seperti pengecekan data kosong dan pemilihan fitur, pembagian data training-testing dengan rasio 80:20, implementasi algoritma Random Forest menggunakan bahasa pemrograman Python, serta evaluasi performa model menggunakan metrics accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Random Forest mencapai akurasi 99% dalam memprediksi penyakit jantung. Model yang dikembangkan dapat dimanfaatkan oleh tenaga medis sebagai alat bantu screening awal pasien penyakit jantung, sehingga dapat mengoptimalkan proses diagnosa dan mempercepat penanganan pasien. Penelitian lebih lanjut dapat dilakukan dengan mengintegrasikan deep learning dan menambahkan parameter medis lainnya untuk meningkatkan akurasi prediksi.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Machine Learning, Random Forest, Prediksi Penyakit Jantung, UCI Dataset, Python | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 12 Aug 2025 03:22 | ||
| Last Modified: | 12 Aug 2025 03:22 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/30256 |
Actions (login required)
 |
View Item |