Komparasi Algoritma Supervised Learning dan Feature Selection pada Klasifikasi Penyakit Gagal Jantung

Abstract

Penyakit gagal jantung merupakan penyakit yang mematikan yang ada di dunia, gagal jantung terjadi karena kondisi atau adanya kelainan otot-otot pada jantung. Pada tahun 2021 data yang ada pada WHO kematian dikarenakan penyakit jantung mencapai 17,8 juta jiwa. Salah satu cara yang dapat dilakukan yaitu dengan klasifikasi dengan menggunakan dataset public kaggle. Penelitian ini bertujuan mengkomparasi algoritma supervised learning dan metode feature selection yang terbaik, guna memperoleh hasil analisis data dengan akurasi yang baik dalam klasifikasi. Penerapan algoritma SVM, KNN, Naïve Bayes tanpa menggunakan feature selection algoritma SVM unggul menghasilkan accuracy 88.41%. Penerapan forward selection pada algoritma SVM, KNN, Naïve Bayes, algoritma SVM unggul dengan nilai accuracy 89.86%. Penerapan pearson corellation pada algoritma SVM, KNN, Naïve Bayes, algoritma KNN unggul menghasilkan accuracy 90.58%. Penerapan feature selection baik forward selection dan pearson corellation mampu meningkatkan performa akurasi, akan tetapi penerapa pearson corellation pada penelitian ini lebih baik dalam meningkatkan akurasi.