ANALISA PERBANDINGAN KLASIFIKASI DATA MINING MENGGUNAKAN ALGORITMA NAIVE BAYES, K-NEAREST NEIGHBOR DAN RANDOM FOREST UNTUK DIAGNOSIS PENYAKIT JANTUNG

Siti Meilianawati, Agung Mulyo Widodo

Sari


Salah satu organ terpenting dalam sistem peredaran darah manusia adalah jantung. Penyakit jantung merupakan salah satu penyebab utama kematian terbanyak di Indonesia maupun di belahan dunia lainnya. Organisasi Kesehatan Dunia (WHO) melaporkan pada tahun 2019 bahwa kematian akibat penyakit jantung mencapai sekitar 31 persen dari kematian global. Tujuan penelitian ini untuk membandingkan tingkat akurasi tiga algoritma yaitu algoritma Naïve Bayes, K-NN dan Random Forest, mana di antara ketiga algoritma tersebut yang dinilai memiliki tingkat akurasi atau kemiripan yang tinggi terhadap dataset. Parameter yang digunakan untuk membandingkan ketiga algoritma tersebut merupakan hasil pengukuran kinerja (akurasi, presisi, recall dan f1 score). Dataset dibagi menjadi dua bagian yaitu 700 data training dan 176 data testing. Parameter klasifikasi terdiri age, sex, chestpaintype, restingbp, cholesterol, fastingbs, restingecg, maxhr, exerciseangina, oldpeak ,st_slope, serta kelasnya HeartDisease. Hasil klasifikasi dengan algoritma K-Nearest Neigbor memiliki tingkat akurasi terbaik sebesar 86% dengan presisi kelas ’1’ adalah 86%, dan presisi kelas ’0’ adalah 86%, recall kelas ’1’ adalah 88%, recall kelas ’0’ adalah 83%, , f1 score kelas ‘0’ sebesar 84% dan f1 score kelas ‘1’ sebesar 87%.

Teks Lengkap:

PDF

Referensi


A. B. Wibisono and A. Fahrurozi, “Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 161–170, 2019, doi: 10.35760/tr.2019.v24i3.2393.

W. H. Statistics and Overview, “World Health Statistics,” pp. 1–16, 2019.

M. A. Bianto, K. Kusrini, and S. Sudarmawan, “Perancangan Sistem Klasifikasi Penyakit Jantung Mengunakan Naïve Bayes,” Creat. Inf. Technol. J., vol. 6, no. 1, p. 75, 2020, doi: 10.24076/citec.2019v6i1.231.

Fabiana Meijon Fadul, “Riset Kesehatan Dasar (Riskesdas),” 2019.

I. G. I. S. Amna, Wahyuddin S, Data Mining. Global Eksekutif Teknologi. [Online]. Available: https://www.google.co.id/books/edition/Data_Mining/xmqvEAAAQBAJ?hl=id&gbpv=1&dq=fungsi+klasifikasi+data+mining&pg=PA32&printsec=frontcover

D. Sartika and D. I. Sensuse, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” Jatisi, vol. 1, no. 2, pp. 151–161, 2017.

Hasran, “Klasifikasi Penyakit Jantung Menggunakan Metode K-Nearest Neighbor,” Indones. J. Data Sci., vol. 1, no. 1, pp. 1–4, 2020.

A. M. Puspitasari, D. E. Ratnawati, and A. W. Widodo, “Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 2, pp. 802–810, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

Fattya Ariani and Andi Taufik, “Perbandingan Metode Klasifikasi Data Mining untuk Prediksi Tingkat Kepuasan Pelanggan Telkomsel Prabayar,” SATIN - Sains dan Teknol. Inf., vol. 6, no. 2, pp. 46–55, 2020, doi: 10.33372/stn.v6i2.666.

M. Pulido, P. Melin, and G. Prado-Arechiga, “Blood pressure classification using the method of the modular neural networks,” Int. J. Hypertens., vol. 2019, 2019, doi: 10.1155/2019/7320365.

C. J. Harrison and C. J. Sidey-Gibbons, “Machine learning in medicine: a practical introduction to natural language processing,” BMC Med. Res. Methodol., vol. 21, no. 1, pp. 1–18, 2021, doi: 10.1186/s12874-021-01347-1.

Y. Shang et al., “The 30-days hospital readmission risk in diabetic patients: predictive modeling with machine learning classifiers,” BMC Med. Inform. Decis. Mak., vol. 21, no. Suppl 2, pp. 1–11, 2021, doi: 10.1186/s12911-021-01423-y.

F. Hadi and Y. Diana, “Sistem Pakar Diagnosa Penyakit Gigi dengan Metode Bayes,” SATIN - Sains dan Teknol. Inf., vol. 5, no. 2, pp. 44–51, 2019, doi: 10.33372/stn.v5i2.513.

C. Hayat and Angelina A Latuny, “Rancang Bangun Aplikasi Informasi Awal Penyakit Tulang Belakang dengan Metode Forward Chaining,” SATIN - Sains dan Teknol. Inf., vol. 6, no. 1, pp. 89–97, 2020, doi: 10.33372/stn.v6i1.617.

Mustika; and Y. dkk Ardhilla, “DATA MINING DAN APLIKASINYA - Google Books,” Widina Bhakti Persada Bandung. pp. 3–243, 2021. [Online]. Available: https://www.google.co.id/books/edition/DATA_MINING_DAN_APLIKASINYA/53FXEAAAQBAJ?hl=id&gbpv=1&dq=Data+mining,+sering+juga+disebut+Knowledge+Discovery+In+Database+(KDD),+adalah+kegiatan+yang+meliputi+pengumpulan,+pemakaian+data+historis+untuk+menemukan+kete

G. Setiawan, “Algoritma KNN,” Gastron. ecuatoriana y Tur. local., vol. 1, no. 69, pp. 5–24, 2019.

Suparyanto dan Rosad (2015, “Algoritma K-Nearest Neighbor (KNN),” Suparyanto dan Rosad (2015, vol. 5, no. 3, pp. 248–253, 2020.

R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis J. Ilm. Ekon. dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020, doi: 10.51903/e-bisnis.v13i2.247.

A. Heriyanto, “Penerapan Metode K-Nearest Neighbor (KNN) Untuk Klasifikasi Stanting Pada Balita,” Publ. Ilm. Univ. Muhammadiyah Jember, 2021.




DOI: https://doi.org/10.47007/komp.v9i01.6928

Refbacks

  • Saat ini tidak ada refbacks.


VISITOR COUNTER:

gerEGGe

 

Web Analytics Made Easy - Statcounter View My Stats