BUDDHI DHARMABUDDHI DHARMA

Tech-ETech-E

Penyakit jantung merupakan kondisi yang ditandai dengan adanya deposit lemak pada arteri koroner yang mengubah fungsi dan bentuk arteri sehingga aliran darah ke jantung terhambat. Metode data mining dapat memprediksi penyakit ini, di antaranya algoritma C4.5 dan Naive Bayes yang sering digunakan dalam penelitian. Dataset yang digunakan dalam penelitian ini diperoleh dari situs UCI Machine Learning Repository, terdiri dari 3.546 record dengan 13 atribut. Nilai akurasi algoritma Naive Bayes mencapai 81,40% yang lebih tinggi dibandingkan algoritma C4.5 yang hanya 79,07%. Berdasarkan hasil perhitungan, dapat disimpulkan bahwa algoritma Naive Bayes merupakan klasifikasi yang sangat baik dengan nilai antara 0,709‑1,00. Dari kesimpulan tersebut, algoritma Naive Bayes menunjukkan akurasi yang lebih tinggi dibandingkan C4.5 sehingga peneliti memutuskan untuk menggunakan algoritma Naive Bayes dalam memprediksi penyakit jantung.

Berdasarkan hasil penelitian, dapat dibangun sistem pakar untuk memprediksi penyakit jantung dengan menggunakan algoritma Naive Bayes sebagai mesin infrastruktur.Algoritma Naive Bayes menunjukkan akurasi sebesar 83,17%, lebih tinggi dibandingkan algoritma C4.Oleh karena itu, peneliti memilih Naive Bayes untuk memprediksi penyakit jantung menggunakan data latih sebanyak 3.546 record dengan 13 atribut yang diambil dari UCI Repository.

Apakah penerapan algoritma klasifikasi lain seperti Random Forest, Support Vector Machine, atau Gradient Boosting dapat meningkatkan akurasi prediksi penyakit jantung dibandingkan Naive Bayes yang saat ini digunakan? Bagaimana pengaruh teknik seleksi fitur atau reduksi dimensi, misalnya Principal Component Analysis atau metode berbasis informasi, terhadap performa model prediksi ketika hanya sebagian atribut yang dipertimbangkan? Dapatkah model prediksi yang dikembangkan divalidasi dengan data klinis yang berasal dari beberapa rumah sakit atau populasi yang lebih beragam untuk menilai generalisasi dan kestabilan hasil? Apakah integrasi data waktu nyata seperti rekam medis elektronik atau sinyal fisiologis berkelanjutan dapat memperkaya sistem pakar sehingga memberikan rekomendasi diagnosis yang lebih tepat dan responsif? Bagaimana implementasi antarmuka pengguna yang sederhana dan dapat diakses oleh tenaga medis non‑ahli dapat mempengaruhi adopsi sistem pakar dalam praktik sehari-hari di fasilitas kesehatan? Apakah pengembangan model prediktif berbasis pembelajaran mendalam dengan arsitektur jaringan saraf dapat mengatasi keterbatasan dataset terbatas dan menghasilkan prediksi yang lebih akurat serta interpretabel?.

Read online
File size506.6 KB
Pages8
DMCAReport

Related /

ads-block-test