PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINES (SVM) DAN NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT JANTUNG

Authors

  • Muhammad Dion Febrian Tino Universitas Duta Bangsa Surakarta
  • Herliyani Hasanah
  • Tri Djoko Santosa

DOI:

https://doi.org/10.31949/infotech.v9i1.5432

Abstract

Jantung merupakan salah satu organ terpenting yang ada pada tubuh manusia. Dengan ada nya jantung, darah dapat tersalurkan keseluruh tubuh dengan baik. diperlukannya sebuah pola klasifikasi penyakit jantung. Klasifikasi yang digunakan yaitu dengan metode Support Vector Machines (SVM) dan Neural Net kinerja yang sangat baik. Pada dataset ini memiliki total 416 instance. Confusion Matrix algoritma SVM terdapat 36 + 34 prediksi yang benar dan 7 + 7 prediksi yang salah. Confusion Matrix algoritma Neural Network terdapat 164 + 180 prediksi yang benar dan 41 + 33 prediksi yang salah. Algoritma SVM memiliki tingakat accuracy lebih tinggi dibandingkan algoritma Neural Net. Yang berisi nilai pada AUC 0.833, CA 0.83, F1 0.835, Precision 0.835 dan Recall 0.835.Berdasarkan hasil penelitian pada kedua algoritma, bahwa algoritma SVM dapat menyelesaikan masalah klasifikasi penyakit jantung lebih baik dengan nilai akurasi 83% sedangkan pada algoritma Neural Net memiliki nilai akurasi 82% dalam menyelesaikan penyakit jantung.

Downloads

Download data is not yet available.

References

Bahar, R. N. A., & Moordiningsih, M. (2021). Meningkatkan Kesejahteraan Subjektif Penderita Penyakit Jantung Melalui Pelatihan Kebersyukuran. Jurnal Studia Insania, 8(2), 119. https://doi.org/10.18592/jsi.v8i2.3881

Daffa Setiawan Suparno. (2021). Pengenalan Pola Untuk Mengetahui Jumlah Target Pengunjung Mall Berdasarkan Usia, Gender, Pendapatan Pertahun, Pengeluaran, Tujuannya Untuk Mempermudah Mengetahui Target Pasar Menggunakan Metode EDA, K-Means, Hierarchial Clustering, Confusion Matrix. SAKTI – Sains, Aplikasi, Komputasi Dan Teknologi Informasi., 3, 61–69.

Dairoh, D., Bakti, V. K., & Naufal, M. (2021). Neural Network dan Particle Swam Optimization untuk Penunjang Keputusan Antipasi Mahasiswa Pra Lulus Bekerja Sesuai Bidang. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(1), 151–158. https://doi.org/10.30812/matrik.v21i1.1164

Hasanah, H. (2023). Perbandingan Tingkat Akurasi Algoritma Support Vector Machines (SVM) dan C45 dalam Prediksi Penyakit Jantung. In Universitas Nusantara PGRI Kediri. Kediri (Vol. 2).

Nabila, Z., Rahman Isnain, A., & Abidin, Z. (2021). ANALISIS DATA MINING UNTUK CLUSTERING KASUS COVID-19 DI PROVINSI LAMPUNG DENGAN ALGORITMA K-MEANS. Jurnal Teknologi Dan Sistem Informasi (JTSI), 2(2), 100. http://jim.teknokrat.ac.id/index.php/JTSI

Suryati, E., Ari Aldino, A., Penulis Korespondensi, N., & Suryati Submitted, E. (2023). Analisis Sentimen Transportasi Online Menggunakan Ekstraksi Fitur Model Word2vec Text Embedding Dan Algoritma Support Vector Machine (SVM). 4(1), 96–106. https://doi.org/10.33365/jtsi.v4i1.2445

Utomo, D. P., & Mesran, M. (2020). Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung. JURNAL MEDIA INFORMATIKA BUDIDARMA, 4(2), 437. https://doi.org/10.30865/mib.v4i2.2080

Downloads

Published

29-05-2023

How to Cite

Tino, M. D. F., Herliyani Hasanah, & Tri Djoko Santosa. (2023). PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINES (SVM) DAN NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT JANTUNG. INFOTECH Journal, 9(1), 232–235. https://doi.org/10.31949/infotech.v9i1.5432

Issue

Section

Articles