Komparasi Algoritma Neural Network Dan Naïve Bayes Untuk Memprediksi Penyakit Jantung

Nawawi, Hendri Mahmud; Purnama, Jajang Jaya; Hikmah, Agung Baitul

doi:10.33480/pilar.v15i2.669

Cited by 9 publications

(10 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penyakit jantung disebut oleh WHO sebagai salah satu penyebab penyebab kematian 7,4 juta jiwa pada tahun 2017 [2]. Penyakit jantung dipicu oleh beberapa faktor dantaranya adalah pola hidup yang tidak sehat, kebiasaan merokok, begadang dan pola makan yang tidak baik [3]. Untuk menyembuhkan penyakit jantung terdapat banyak cara diantaranya adalah seperti operasi, penyinaran dan khemoterapi [4].…”

Section: Pendahuluanunclassified

Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5

Sepharni

Hendrawan²,

Rozikin³

2022

STRING

View full text Add to dashboard Cite

Penyakit jantung merupakan salah satu penyakit yang berbahaya. Penyakit jantung dapat membahayakan nyawa penderitanya jika ada keterlambatan dalam penanganannya. Permasalahan ini disebabkan sulitnya deteksi awal pada penderita penyakit jantung karena penderita selalu mengabaikan gejala awal yang timbul. Selain itu biaya yang diperlukan dalam pemeriksaan penyakit jantung tidaklah murah sebab diperlukan pemeriksaan yang dilakukan dokter spesialis serta uji laboratorium. Sistem prediksi merupakan salah satu opsi yang dapat digunakan untuk melakukan deteksi dini pada penderita penyakit jantung dengan biaya yang lebih murah dalam penggunaanya, hal ini disebabkan biaya yang digunakan dalam pemeriksaan dokter spesialis dan tes laboratorium bisa dihilangkan dan digantikan oleh sistem prediksi. Penelitian ini bertujuan untuk membuat sistem prediksi dengan menggunakan algortima C4.5 dimana algortima ini membuat prediksi berdasarkan data historis pasien yang akan diperiksa. Hasil yang didapat dari penggunaan algoritma C4.5 untuk melakukan prediksi mendapatkan akurasi 79% sehingga diharapkan bisa menjadi sumber informasi untuk penelitian selanjutnya tentang prediksi dengan menggunakan algoritma C4.5.

show abstract

Section: Pendahuluanunclassified

Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5

Sepharni

Hendrawan²,

Rozikin³

2022

STRING

View full text Add to dashboard Cite

show abstract

“…The process of reducing dimensions or attributes on the food composition dataset is carried out after going through the correlation analysis stage. Attribute reduction using the PCA method is carried out on the original attribute set to obtain the minimum set of attributes, then the acquisition attribute with the maximum ratio is selected after attribute reduction [12].…”

Section: Attribute Reduction Stagementioning

confidence: 99%

Implementation of Principal Component Analysis and Learning Vector Quantization for Classification of Food Nutrition Status

Pardede

Athifah

2022

Jurnal Informatika

View full text Add to dashboard Cite

Balanced nutrition is very good in the process of child development. During the COVID-19 pandemic, consuming a balanced nutritious diet can keep a child's immune system from transmitting the virus. In determining the nutritional content of children's food during the pandemic, a classification of the nutritional content of children's food is carried out by applying the principal component analysis (PCA) dimension reduction method and the learning vector quantization (LVQ) classification method. The data used in this study amounted to 1168 data with 25 indicators of food nutrients. From the tests that have been carried out, the combination of the PCA-LVQ method produces an average accuracy of 58% with the highest accuracy of 60%. In addition, this study also compares the performance of the PCA dimension reduction method, independent component analysis (ICA) and factor analysis (FA) on the LVQ classification process. The final result of testing the three methods is that the FA method takes the fastest time, which is 4.10434 seconds and the PCA method produces the highest accuracy, which is 58.2%

show abstract

“…Pada penelitian sebelumnya yang menggunakan algoritma K-NN mendapatkan nilai akurasi yang cukup tinggi [8]. Pada kasus lain penggunaan algoritma backpropagation juga menghasilkan nilai akurasi yang tinggi [9].…”

Section: Pendahuluanunclassified

“…Pada penelitian ini menggunakan algoritma K-nearest neighbor, dan menggunakan data yang diperoleh dari University of California Irvine (UCI) Machine Learning data repository. Dari data tersebut diperoleh 14 atribut yang dapat digunakan dalam mendiagnosa penyakit jantung Hasil penelitian ini diperoleh nilai akurasi sebesar 70% serta nilai AUC sebesar 0,875 yang masuk kedalam klasifikasi baik, sehingga algoritma Penelitian yang dilakukan oleh Nawawi., H., M., dkk [9]. Menggunakan algoritma neural network dan algoritma naïve bayes dengan masalah penyakit jantung termasuk penyakit yang mematikan yang harus ditangani segera karena dapat terjadi secara tibatiba terhadap penderitanya.…”

Section: Pendahuluanunclassified

Hasil Klasifikasi Algoritma Backpropagation dan K-Nearest Neighbor pada Cardiovascular Disease

Nashrulloh¹,

Ramadhani²,

Junaidi³

2021

Indonesian.j.datasci.iot.machlearn.ai

View full text Add to dashboard Cite

Cardiovascular disease adalah penyakit yang diakibatkan oleh kelainan yang terjadi pada organ jantung. Cardivascular disease dapat menyerang manusia dari usia muda hingga usia tua yang terdapat 13 faktor yang mempengaruhinya yaitu Age, Sex, Chest pain, Trestbps, Chol, Fbs, Restecg, Thalach, Exang, Oldpeak, Slope, Ca, dan Thal. Cardiovascular disease beragam jenisnya antara lain penyakit jantung koroner, gagal jantung, tekanan darah tinggi, tekanan darah rendah dan lain-lain. Oleh karena itu, penelitian ini memiliki tujuan untuk melakukan klasifikasi terhadap cardiovascular disease. Pada penelitian ini menggunakan algoritma backpropagation dan algoritma K-nearest neighbor. Langkah awal dilakukan adalah proses perhitungan euclidean distance pada K-NN untuk mencari jarak k terdekat untuk mendapatkan kategori berdasarkan frequensi terbanyak dari nilai k yang ditentukan dan mencari bobot baru untuk algoritma backpropagation untuk mendapatkan bobot baru yang digunakan untuk mendapatkan nilai yang sesuai dengan yang diharapkan. Pengujian sistem ini terdiri dari pengujian nilai akurasi dengan nilai K, pengujian K-fold X validation dan pengaruh hidden layer. Hasil dari Penelitian ini bahwa algoritma backpropagation menghasilkan nilai akurasi sebesar 64%, presisi sebesar 62%, recall sebesar 64% dan algoritma K-nearest neighbor menghasilkan nilai akurasi sebesar 66%, presisi sebesar 61% dan recall sebesar 66%. Pengaruh hidden layer terhadap algoritma backpropagation dalam mengklasifikasikan cardiovascular disease sangat besar hal ini sesuai dengan hasil dari penelitian yang telah dilakukan bahwa ketika jumlah hidden layer kecil, nilai yang dihasilkan juga kecil akan tetapi ketika jumlah hidden layernya tinggi nilai akurasinya bahkan menjadi rendah .

show abstract

Komparasi Algoritma Neural Network Dan Naïve Bayes Untuk Memprediksi Penyakit Jantung

Cited by 9 publications

References 4 publications

Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5

Klasifikasi Penyakit Jantung dengan Menggunakan Algoritma C4.5

Implementation of Principal Component Analysis and Learning Vector Quantization for Classification of Food Nutrition Status

Hasil Klasifikasi Algoritma Backpropagation dan K-Nearest Neighbor pada Cardiovascular Disease

Contact Info

Product

Resources

About