Financeo Putra Pratama Hariyono (2020) Penerapan Machine Learning Untuk Prediksi Penyakit Jantung Menggunakan Metode Naïve Bayes Dan Decision Tree. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (COVER) 1. COVER.pdf Download (574kB)
	Text (ABSTRAK) 2. ABSTRAK.pdf Download (146kB)
	Text (DAFTAR ISI) 3. DAFTAR ISI.pdf Download (264kB)
	Text (BAB 1) 4. BAB I PENDAHULUAN.pdf Download (155kB)
	Text (BAB 2) 5. BAB II TINJAUAN PUSTAKA.pdf Restricted to Registered users only until 11 January 2024. Download (394kB) | Request a copy
	Text (BAB 3) 6. BAB III METODE PENELITIAN.pdf Restricted to Registered users only until 11 January 2024. Download (184kB) | Request a copy
	Text (BAB 4) 7. BAB IV PEMBAHASAN.pdf Restricted to Registered users only until 11 January 2024. Download (1MB) | Request a copy
	Text (BAB 5) 8. BAB V KESIMPULAN DAN SARAN.pdf Restricted to Registered users only until 11 January 2024. Download (77kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9. DAFTAR PUSTAKA.pdf Download (159kB)
	Text (LAMPIRAN) 10. LAMPIRAN.pdf Restricted to Registered users only until 11 January 2024. Download (621kB) | Request a copy
	Text (KESEDIAAN PUBLIKASI) 23-kesediaanpublikasi_081611633048_Financeo Putra Pratama Hariyono - KKN Tematik UNAIR-60 Desa Sukorejo.pdf Restricted to Registered users only Download (197kB) | Request a copy

Abstract

Penyakit jantung merupakan penyebab kematian nomor satu di dunia. Telah banyak dilakukan penelitian terkait pemanfaatan machine learning untuk memprediksi penyakit jantung. Machine Learning adalah bagian dari penelitian tentang kecerdasan buatan, mencari untuk memberikan pengetahuan kepada komputer melalui data, pengamatan dan berinteraksi dengan dunia. Terdapat berbagai macam metode dalam pemanfaatan machine learning diantaranya adalah Naïve Bayes dan Decision Tree yang akan digunakan pada penelitian ini. Penelitian ini bertujuan untuk meningkatkan akurasi dalam studi kasus prediksi penyakit jantung dari penelitian sebelumnya dengan menambahkan jumlah data dan membuktikan metode mana yang memberikan akurasi lebih baik antara Naïve Bayes atau Decision Tree. Data yang digunakan merupakan data sekunder yang didapat dari website Kaggle, berisi 14 subset atribut, yang terdiri dari 13 atribut sebagai predictor dan satu atribut sebagai target dengan dua kelas dengan jumlah 1328 data. Data kemudian akan diklasifikasian untuk mencari nilai akurasi, sensitivitas, dan spesifisitas yang tertinggi dari kedua metode. Evaluasi sistem dilakukan dengan menggunakan confusion matrix¸ K Fold Cross Validation, dan Kurva ROC dengan menghitung nilai Area Under Curve (AUC). Dari hasil evaluasi sistem diperoleh nilai tertinggi pada metode Decision Tree pada pengujian kurva ROC dan confusion matrix dengan nilai fold 10, dengan rata-rata nilai akurasi sebesar 97.81%, sensitivitas sebesar 97.12%, spesifisitas sebesar 98.58%, dan AUC sebesar 0.979. Sedangkan metode Naïve Bayes memperoleh hasil paling tinggi pada pengujian kurva ROC dan confusion matrix dengan nilai fold 5 dengan rata-rata nilai akurasi sebesar 83.03%, sensitivitas sebesar 84.70%, spesifisitas sebesar 81.68%, dan AUC sebesar 0.832.

Actions (login required)

View Item