Heart Disease Prediction Using Machine Learning Techniques

Singh, Pritpal; Virk, Ishpreet Singh

doi:10.1109/aisc56616.2023.10085584

Cited by 4 publications

(2 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The use of the classification method with random forest can be applied to the prediction of heart disease and gives good results of 83% [5]. Other research tries to compare various machine learning techniques and obtains the highest accuracy of 87.28% by applying the multilayer perceptron method [6]. In addition, a simple method using k-NN can also be applied and gives accurate results of 86.89% [7].…”

Section: A Introductionmentioning

confidence: 99%

An Approach for Early Heart Attack Prediction Systems Using K-Means Clustering and Cosine Similarity

Novita,

Saleh,

Azmi

2023

ijcs

View full text Add to dashboard Cite

In this study, we used cosine similarity and k-means clustering to construct a system to predict heart attacks. In order to divide patient data into groups with distinct clinical profiles based on their clinical characteristics, the k-means clustering approach is used. The new patient profiles were also contrasted with predetermined risk group profiles using the cosine similarity method. Heart attack high-risk patients are those with a profile that resembles that of the high-risk category. This suggested prediction system offers numerous benefits and contributions. First, the technique helps identify individuals who are at high risk of having a heart attack, allowing for prompt intervention and treatment. Second, the technology aids in lowering the mortality and effects of a heart attack by foreseeing the possibility of one in high-risk patients. Combining the k-means clustering method and cosine similarity, this system can predict heart attacks with an accuracy and dependability of 93.71%. In order to aid medical practitioners in making wise decisions and enhancing patient care, this research offers fresh perspectives on how to understand and manage heart attacks.

show abstract

Section: A Introductionmentioning

confidence: 99%

An Approach for Early Heart Attack Prediction Systems Using K-Means Clustering and Cosine Similarity

Novita,

Saleh,

Azmi

2023

ijcs

View full text Add to dashboard Cite

show abstract

“…Terdapat beberapa penelitian sebelumnya dengan study kasus yang sama yaitu klasifikasi penyakit jantung, dari penelitian yang ada menggunakan beberapa metode machine learning untuk dapat memprediksi seseorang terindikasi penyakit jantung yaitu random forest classifier, ann, svm, naïve bayes, support vector machine, decision tree dll sebagainya, hasil penelitian sebelumnya memiliki hasil akurasi yang paling baik adalah 90% dengan menggunakan teknik seperti preprosessing data, penentuan hyperparameter, kombinasi metode balancing data dll sebagainya [7] [8] [9] [10] [11].…”

unclassified

Klasifikasi Penyakit Jantung Menggunakan Random Forest Clasifier

Hidayat,

Sunyoto,

Al Fatta

2023

siskom-kb

View full text Add to dashboard Cite

Abstract— Penelitian ini bertujuan untuk meningkatkan peforma model saat melakukan klasifikasi peyakit jantung. Algoritma random fores digunakan untuk melakukan klasifikasi peyakit jantung berdasarkan fitur-fitur yang ada pada dataset. Klasifikasi ini dilakukan dengan menggunakan Heart Disease Dataset dari kaggle yang mempunyai 2 class diantaranya 0 (tidak terindikasi penyakit), dan 1 (terindikasi penyakit). Selanjutnya dataset tersebut dilakukan teknik pre-prosessing data, normalisasi data, split data, klasifikasi dan yang terakhir evaluasi metode. Penelitian ini mengungkapkan bahwa metode random forest berhasil menghasilkan tingkat akurasi yang lebih tinggi dalam proses klasifikasi penyakit jantung, dibandingkan dengan hasil penelitian sebelumnya yaitu mencapai akurasi sebesar 94%. Hal ini menunjukkan bahwa penggunaan Random forest dibantu dengan teknik pre-prosessing, dan normalisasi data dapat menjadi alternatif yang baik dalam melakukan klasifikasi. Penelitian ini memberikan manfaat saat klasifikasi penyakit jantung secara cepat dan akurat. Keywords —Penyakit Jantung, Random Forest

show abstract