IVETIVET

Joined Journal (Journal of Informatics Education)Joined Journal (Journal of Informatics Education)

Penyakit jantung, sebagai salah satu penyebab utama kematian global, memerlukan pendekatan diagnostik yang cepat dan akurat untuk pencegahannya dan pengelolaannya yang efektif. Dengan berkembangnya era teknologi informasi dan analisis data, metode komparasi probabilitas menawarkan perspektif baru dalam evaluasi risiko dan diagnosis penyakit jantung, memanfaatkan pendekatan probabilistik untuk menilai kemungkinan individu terkena penyakit ini berdasarkan analisis berbagai faktor risiko. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan algoritma Naïve Bayes dan KNN untuk mengetahui kalsifikasi penyakit jantung. Dataset tersebut terdiri dari 300 data dengan 14 atribut yaitu keberadaan penyakit jantung. metode KNN dan Naïve Bayes digunakan untuk menentukan klasifikasi penyakit jantung, dengan mengeksplorasi efektivitas kombinasi atribut dalam meningkatkan akurasi diagnosa. Hasil penelitian menunjukkan bahwa Naïve Bayes, baik dengan atau tanpa normalisasi, mencapai akurasi sebesar 92.67%, sedangkan KNN normalisasi menghasilkan akurasi lebih tinggi yaitu 93.33% dibandingkan tanpa normalisasi yang hanya menghasilkan 79.33%. Penelitian ini menyimpulkan bahwa metode komparasi probabilitas, melalui algoritma Naïve Bayes dan KNN, memiliki potensi signifikan dalam meningkatkan akurasi klasifikasi risiko penyakit jantung, dengan penggunaan normalisasi pada KNN memberikan peningkatan akurasi yang signifikan. Kesimpulan ini mendukung potensi integrasi metode analisis data probabilitas dalam sistem kesehatan untuk deteksi dini dan manajemen penyakit jantung yang lebih efisien.

Berdasarkan hasil dari penelitian yang telah dilakukan terhadap dataset mengenai penyakit jantung menggunakan metode komparasi probabilitas memiliki kemampuan dalam meningkatkan akurasi untuk menentukan klasifikasi resiko penyakit jantung dengan menerapkan metode Naive Bayes dan K-Nearest Neighbor.Dari pengujian kinerja dari metode K-Nearest Neighbor menggunakan normalisasi lebih unggul dari metode K-Nearest Neighbor.Terbukti bahwa dari 300 data uji yang digunakan metode K-Nearest Neighbor mendapatkan hasil yang tidak signifikan tetapi saat menggunakan normalisasi accuracy K-Nearest Neighbor lebih tinggi karena keunggulan dari motode K-Nearest Neighbor tangguh terhadap noise.metode Naive Bayes tanpa normalisasi dan menggunakan normalisasi hasilnya signifikan.Oleh karena itu, disarankan jika ingin mendapatkan hasil accuracy yang baik, maka diperlukan metode K-Nearest Neighbor.

Penelitian lanjutan dapat mengeksplorasi penggunaan metode normalisasi lain untuk meningkatkan akurasi K-Nearest Neighbor, membandingkan algoritma machine learning lain seperti Decision Tree atau Random Forest untuk klasifikasi penyakit jantung, serta mengintegrasikan data real-time dari sensor kesehatan untuk deteksi dini penyakit jantung secara lebih efisien. Selain itu, peneliti bisa mengevaluasi dampak faktor sosial ekonomi dan gaya hidup terhadap prediksi risiko penyakit jantung menggunakan model probabilistik. Terakhir, pengembangan sistem berbasis AI yang dapat diakses oleh masyarakat umum untuk menilai risiko penyakit jantung secara mandiri juga layak dipertimbangkan.

  1. Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia... jtiik.ub.ac.id/index.php/jtiik/article/view/773Perbandingan Kinerja Metode Naive Bayes dan K Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia jtiik ub ac index php jtiik article view 773
Read online
File size490.75 KB
Pages10
DMCAReport

Related /

ads-block-test