Implementasi Algoritma Naïve Bayes dan Support Vector Machine (SVM) Pada Klasifikasi Penyakit Kardiovaskular

Anita Desiani; Muhammad Akbar; Irmeilyana Irmeilyana; Ali Amran

doi:10.32528/elkom.v4i2.7691

Implementasi Algoritma Naïve Bayes dan Support Vector Machine (SVM) Pada Klasifikasi Penyakit Kardiovaskular

Anita Desiani, Muhammad Akbar, Irmeilyana Irmeilyana, Ali Amran

Abstract

Penyakit kardiovaskuler adalah penyakit yang diakibatkan penyempitan atau penyumbatan pembuluh darah di jantung penyakit ini disebabkan gangguan fungsi jantung dan pembuluh darah. Sistem kardiovaskular terdiri dari jantung dan pembuluh darahnya. Penelitian ini bertujuan melakukan klasifikasi penyakit kardiovaskular untuk memprediksi suatu pola. Pada penelitian ini akan menggunakan metode support vector machine dan naïve bayes dengan metode latih percentage split dan k-fold cross validation. Hasil akurasi pengolahan menggunakan Algoritma Naïve Bayes adalah sebesar 70% untuk metode latih percentage split dan 71% untuk metode latih k-fold cross validation. Kemudian dengan menggunakan algoritma support vector machine didapat akurasi 61% untuk metode latih percentage split dan 65% untuk metode latih k-fold validation. Hasil tersebut menunjukkan bahwa algoritma naïve bayes dengan metode latih k-fold validation cukup baik dalam melakukan klasifikasi penyakit kardiovaskular.

Keywords

Klasifikasi; K-Nearest Neighbor; Naïve Bayes; Kardiovaskular

Full Text:

PDF (BAHASA INDONESIA)

References

Yogyakarta, K. D. I., Farmako, J., Utara, S., Farmako, J., & Utara, S. (2020). 11096-31793-1-Sm. 13(1), 1–12.

Rosjidi, C. H., & Isro’in, L. (2014). Perempuan lebih rentan terserang penyakit kardiovaskular. Jurnal Florence, VII(1), 1–10

Ari Bianto, M. (2019). Perancangan Sistem Klasifikasi Penyakit Jantung Mengunakan Naïve Bayes Designing a Heart Disease Classification System Using Naïve Bayes. Citec Journal, 6(1).

Dwi Septiani Program Studi Manajemen Informatika AMIK BSI Jakarta Jl Kramat Raya No, W., & Pusat, J. (2017). Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis. Jurnal Pilar Nusa Mandiri, 13(1), 76–84.

Susanto, H., & Sudiyatno, S. (2014). Data mining untuk memprediksi prestasi siswa berdasarkan sosial ekonomi, motivasi, kedisiplinan dan prestasi masa lalu. Jurnal Pendidikan Vokasi, 4(2), 222–231.

Syarli, & Muin, A. A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan. Jurnal Ilmiah Ilmu Komputer, 2(1), 22–26.

Pushpita Anna Octaviani, Yuciana Wilandari, D. I. (2014). Penerapan Metode SVM Pada Data Akreditasi Sekolah Dasar Di Kabupaten Magelang. Jurnal Gaussian, 3(8), 811–820.

Suprianto, S. (2020). Implementasi Algoritma Naive Bayes Untuk Menentukan Lokasi Strategis Dalam Membuka Usaha Menengah Ke Bawah di Kota Medan (Studi Kasus: Disperindag Kota Medan). Jurnal Sistem Komputer Dan Informatika (JSON), 1(2), 125.

Hilmiyah, F. (2017). Prediksi Kinerja Mahasiswa Menggunakan Support Vector Machine untuk Pengelola Program Studi di Perguruan Tinggi (Studi Kasus: Program Studi Magister Statistika ITS). Departemen Manajemen Teknologi Bidang Keahlian Manajemen Teknologi Informasi Fakultas Bisnis Dan Manajemen Teknologi Institut Teknologi Sepuluh Nopember Surabaya, 1–99.

Ridwan, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 4(1), 15–21.

Evanko, D. (2010). Optical imaging of the native brain. Nature Methods, 7(1), 34.

Nurcahya, E. D. (2017). Klasifikasi Penyakit Ayam Menggunakan Metode Support Vector Machine. VOLT : Jurnal Ilmiah Pendidikan Teknik Elektro, 2(1), 45.

Darmawan, A., Kustian, N., & Rahayu, W. (2018). Implementasi Data Mining Menggunakan Model SVM untuk Prediksi Kepuasan Pengunjung Taman Tabebuya. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 2(3), 299.

Devita, R. N., Herwanto, H. W., & Wibawa, A. P. (2018). Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(4), 427.

Fiska, R. R. (2017). Penerapan Teknik Data Mining dengan Metode Support Vector Machine. Sains Dan Teknologi Informasi (SATIN), 3(1).

Ningrum, H. C. S. (2018). Perbandingan Metode Support Vector Machine (SVM) Linear, Radial Basis Function (RBF), dan Polinomial Kernel dalam Klasifikasi Bidang Studi Lanjut Pilihan Alumni UII [skripsi]. Tugas Akhir Statistika Universitas Islam Indonesia, 1–90.

Minou, J., Mantas, J., Malamateniou, F., & Kaitelidou, D. (2020).

Classification Techniques for Cardio-Vascular Diseases Using Supervised Machine Learning. Medical Archives (Sarajevo, Bosnia and Herzegovina), 74(1), 39–41.

Ei, H., Cho, E., & Hlaing, N. Y. (2020.). DATA MINING CLASSIFICATION TECHNIQUES FOR. 1, 1–6.

Anggara, B., & D, R. M. N. H. (2021.). PENERAPAN DATA MINING RUMAH SAKIT UMUM PRABUMULIH MENGGUNAKAN ALGORITMA NAIVE BAYES ( STUDY KASUS : PENYAKIT JANTUNG ). 209–220.

Permana, D. S., & Silvanie, A. (2021). Prediksi Penyakit Jantung Menggunakan Support Vector Machine Dan Python Pada Basis Data Pasien. Jurnal Nasional Informatia, 2(1), 29–34.

DOI: https://doi.org/10.32528/elkom.v4i2.7691

Refbacks

There are currently no refbacks.

This work is licensed under a Creative Commons Attribution 4.0 International License.

View My Status Indexing Service

Publisher :
UNIVERSITAS MUHAMMADIYAH JEMBER
Jl. Karimata No. 49 Jember 68121 East Java
Website : www.unmuhjember.ac.id
Email : kantorpusat@unmuhjember.ac.id

Editorial Address :
Electrical Engineering
Faculty of Engineering
UNIVERSITAS MUHAMMADIYAH JEMBER
Jl. Karimata No. 49 Jember 68121 East Java

Username
Password
Remember me