Penerapan Algoritma K-Nearest Neighbor Dalam Klasifikasi Penyakit Jantung
-
Mohammad Fauzi Akbarollah
*
Universitas Pelita Bangsa, Kab. Bekasi,
Indonesia
- Wiyanto Wiyanto Universitas Pelita Bangsa, Kab. Bekasi, Indonesia
- Dodit Ardiatma Universitas Pelita Bangsa, Kab. Bekasi, Indonesia
- Ahmad Turmudi Zy Universitas Pelita Bangsa, Kab. Bekasi, Indonesia (*) Corresponding Author
Abstract
Penyakit jantung adalah kondisi ketika bagian jantung yang meliputi pembuluh darah jantung, selaput jantung, katup jantung, dan otot jantung mengalami gangguan. Penyakit jantung bisa disebabkan oleh berbagai hal, seperti sumbatan pada pembuluh darah jantung, peradangan, infeksi, atau kelainan bawaan. Berdasarkan catatan Organisasi Kesehatan Sedunia (WHO), diperkirakan sebanyak 17,9 juta kematian setiap tahunnya disebabkan oleh masalah kardiovaskular. Angka ini setara dengan 32 persen kasus kematian secara global. Dari angka tersebut, sebanyak 85 persen diantaranya disebabkan oleh serangan jantung dan stroke. Tujuan Penelitian ini adalah mengimplementasikan data mining untuk meningkatkan efektivitas pengambilan keputusan dalam pengobatan penyakit jantung. Pada penelitian ini dilakukan proses klasifikasi terhadap sebuah dataset penyakit jantung dengan menggunakan algoritma K-Nearest Neighbor. Hasil dari pengujian mendapatkan nilai accuracy sebesar 92%, precision sebesar 90%, dan nilai recall sebesar 92%.
Downloads
References
Dr Pittara, “Penyakit Jantung - Gejala, Penyebab, dan Pengobatan,” Alo Dokter, Mar. 16, 2023.
CNN, “Ingat, Penyakit Jantung Masih Jadi Pembunuh Nomor satu di Dunia,” CNN Indonesia, Sep. 29, 2022.
Cindy Mutia Annur, “Prevalensi Penyakit Jantung di Provinsi Ini Paling Tinggi di Indonesia,” Databooks, Jan. 26, 2022.
R. Annisa, “ANALISIS KOMPARASI ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI PENDERITA PENYAKIT JANTUNG,” Jurnal Teknik Informatika Kaputama (JTIK), vol. 3, no. 1, 2019.
D. A. Muhammad, R. Amril, and M. Siregar, “Penerapan Algoritma K-Nearest Neighbord Untuk Prediksi Kematian Akibat Penyakit Gagal Jantung,” vol. III, no. 1, 2022, [Online]. Available: https://www.kaggle.com/andrewmvd/heart-failure-clinical-data.
D. Sitanggang, N. Nicholas, V. Wilson, A. R. A. Sinaga, and A. D. Simanjuntak, “IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI PENYAKIT JANTUNG MENGGUNAKAN METODE K-NEAREST NEIGHBOR DAN LOGISTIC REGRESSION,” Jurnal Teknik Informasi dan Komputer (Tekinkom), vol. 5, no. 2, p. 493, Dec. 2022, doi: 10.37600/tekinkom.v5i2.698.
A. Samosir, M. Hasibuan, W. E. Justino, and T. Hariyono, “Komparasi Algoritma Random Forest, Naïve Bayes dan K-Nearest Neighbor Dalam klasifikasi Data Penyakit Jantung”.
H. W. Dhany, Seminar Nasional Informatika (SENATIKA) Prosiding SENATIKA 2021 Performa Algoritma K-Nearest Neighbour dalam Memprediksi Penyakit Jantung. [Online]. Available: https://www.kaggle.com/
S. T. M. K. Yahya, Data Mining. CV Jejak (Jejak Publisher), 2022. [Online]. Available: https://books.google.co.id/books?id=0J2mEAAAQBAJ
S. S. M. K. Muhammad Arhami and S. T. M. T. Muhammad Nasir, Data Mining - Algoritma dan Implementasi. Andi Offset, 2020. [Online]. Available: https://books.google.co.id/books?id=AtcCEAAAQBAJ
E. Buulolo, Data Mining Untuk Perguruan Tinggi. Deepublish, 2020. [Online]. Available: https://books.google.co.id/books?id=-K_SDwAAQBAJ
Y. Ardilla et al., DATA MINING DAN APLIKASINYA. Penerbit Widina, 2021. [Online]. Available: https://books.google.co.id/books?id=53FXEAAAQBAJ
A. Wulandari and M. K. Agus Sifaunajah, Perbandingan Efektivitas Klasifikasi Algoritma C.4.5 dan Algoritma Naive Bayes dengan Mengunakan Pihak ke 3 (WEKA). Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas KH. A. Wahab Hasbullah, 2019. [Online]. Available: https://books.google.co.id/books?id=s6t-EAAAQBAJ
D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 2, p. 437, Apr. 2020, doi: 10.30865/mib.v4i2.2080.
I. Id, Machine Learning : Teori, Studi Kasus dan Implementasi Menggunakan Python. 2021. doi: 10.5281/zenodo.5113507.
D. Cahyanti, A. Rahmayani, and S. Ainy Husniar, “Indonesian Journal of Data and Science Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” vol. 1, no. 2, pp. 39–43, 2020.
D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” 2021.
L. Afifah, “Apa itu Confusion Matrix di Machine Learning?,” https://ilmudatapy.com/apa-itu-confusion-matrix/.
Dicoding Intern, “Python: Pengertian, Contoh Penggunaan, dan Manfaat Mempelajarinya,” https://www.dicoding.com/blog/python-pengertian-contoh-penggunaan-dan-manfaat-mempelajarinya/, May 31, 2023.
D. Lapp, “Heart Disease Dataset,” https://www.kaggle.com/datasets/johnsmith88/heart-disease-dataset, 2023
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Penerapan Algoritma K-Nearest Neighbor Dalam Klasifikasi Penyakit Jantung
Pages: 850-860
Copyright (c) 2023 Mohammad Fauzi Akbarollah, Wiyanto Wiyanto, Dodit Ardiatma
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
