Prediksi penyakit jantung berbasis mesin learning dengan menggunakan metode k-nn

Lukman Hakim, Ahmad Sobri, Lukman Sunardi, Deni Nurdiansyah

Abstract


Permasalahan dalam penelitian ini adalah belum adanya sistem prediksi penyakit jantung yang dapat memudahkan proses penanganan dan identifikasi gejala penyakit jantung. Oleh karena itu, dilakukan proses ekstraksi pola gejala penyakit jantung berdasarkan data medis menggunakan model K-Nearest Neighbor (KNN). Proses pengolahan data penyakit jantung dengan algoritma KNN ini bertujuan untuk menganalisis data penyakit jantung berbasis machine learning. Dalam prediksi penyakit jantung, diperlukan sistem yang dapat membantu mengelola data terkait pengolahan citra medis. Tujuan dari penelitian ini adalah untuk membantu melakukan klasifikasi jenis penyakit jantung, sehingga memudahkan proses penanganan medis. Analisis dilakukan menggunakan sistem machine learning dengan tools Python, di mana dalam pengolahan data terdapat tahapan yang berhubungan dengan pembagian data (splitting data) untuk menghasilkan akurasi yang optimal.


Full Text:

PDF

References


I. Sumadikarta and L. Andrayani, “Implementasi Data Mining Untuk Clustering Makanan dan Minuman Favorit Dengan Menggunakan Algortima K-Means,” J. Ilm. Fak. Tek. LIMIT’S, vol. 15, no. 1, pp. 40–49, 2019.

Y. R. Amalia, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Elektronik Terlaris Menggunakan Metode K-Nearest Neighbor (Studi Kasus : PT.Bintang Multi Sarana Palembang),” Skripsi, pp. i–90, 2018, [Online]. Available: http://eprints.radenfatah.ac.id/id/eprint/3302%0A

A. Muhajir Haris and E. Priyo Purnomo, “Implementasi Csr (Corporate Social Responsibility) Pt. Agung Perdana Dalam Mengurangi Dampak Kerusakan Lingkungan,” J. Gov. Public Policy, vol. 3, no. 2, pp. 203–225, 2016, doi: 10.18196/jgpp.2016.0056.

I. P. Putri, “Analisis Performa Metode K- Nearest Neighbor (KNN) dan Crossvalidation pada Data Penyakit Cardiovascular,” Indones. J. Data Sci., vol. 2, no. 1, pp. 21–28, 2021, doi: 10.33096/ijodas.v2i1.25.

W. Lestari, F. Fatoni, and H. Hutrianto, “Implementasi Data Mining Untuk Kartu Indonesia Sehat Bagi Masyarakat Kurang Mampu Menggunakan Metode Clustering Pada Dinas Sosial Kota Palembang,” J. Nas. Ilmu Komput., vol. 1, no. 4, pp. 169–174, 2020, doi: 10.47747/jurnalnik.v1i4.163.

D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indones. J. Data Sci., vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.

E. P. W. Mandala, D. E. Putri, and R. Permana, “Penerapan Data Mining untuk Klasifikasi Hasil Panen Jamur Tiram Menggunakan Algoritma K-Nearest Neighbor,” J. Media Inform. Budidarma, vol. 7, no. 1, p. 223, 2023, doi: 10.30865/mib.v7i1.5252.

H. P. Herlambang, F. Saputra, M. H. Prasetiyo, D. Puspitasari, and D. Nurlaela, “Perbandingan Klasifikasi Tingkat Penjualan Buah di Supermarket dengan Pendekatan Algoritma Decision Tree, Naive Bayes dan K-Nearest Neighbor,” J. Insa. - J. Inf. Syst. Manag. Innov., vol. 3, no. 1, pp. 21–28, 2023, doi: 10.31294/jinsan.v3i1.2097.

E. Karyadiputra, . A., and . H., “Penerapan Data Mining Untuk Klasifikasi Spesies Ikan Di Lingkungan Akuatik Air Tawar,” Technol. J. Ilm., vol. 13, no. 3, p. 265, 2022, doi: 10.31602/tji.v13i3.6877.

F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor,” J. Ultim., vol. 7, no. 2, pp. 98–104, 2016, doi: 10.31937/ti.v7i2.356.

Y. Miftahuddin, S. Umaroh, and F. R. Karim, “Perbandingan Metode Perhitungan Jarak Euclidean, Haversine, Dan Manhattan Dalam Penentuan Posisi Karyawan,” J. Tekno Insentif, vol. 14, no. 2, pp. 69–77, 2020, doi: 10.36787/jti.v14i2.270.




DOI: https://doi.org/10.32502/digital.v7i2.9429

Refbacks

  • There are currently no refbacks.


Creative Commons License
Jurnal Digital by http://jurnal.um-palembang.ac.id/digital is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.