Prediksi Tahap Awal Penyakit Jantung Menggunakan Algoritma Random Forest (Studi Kasus RSIJ)
DOI:
https://doi.org/10.47467/dawatuna.v4i4.1882Keywords:
SISTEM PREDIKSI, DIABETES MELITUS, BLACK BOX TESTING, WATERFALL, ALGORITMA RANDOM FORESTAbstract
Tony Raymond Nangon, 201810225347. Prediksi Tahap Awal Penyakit Jantung
Menggunakan Algoritma Random Forest.
Proses menemukan atau menambang informasi dari sejumlah besar data dikenal
sebagai teknologi penambangan data. Saat ini data mining memiliki banyak
penerapan dalam setiap aspek kehidupan manusia. Aplikasi data mining sangat luas
dan beragam. Di antara perawatan kesehatan ini adalah aplikasi utama
penambangan data. Bidang medis mendapat manfaat lebih banyak dari
penambangan data. Penyakit Jantung adalah yang paling banyak penyakit kronis
berbahaya yang mengancam jiwa secara global. Tujuan dari pekerjaan ini adalah
untuk memprediksi terjadinya penyakit jantung pada pasien menggunakan
algoritma random forest. Kumpulan data diakses dari situs Kaggle. Dataset berisi
303 sampel dan 14 atribut diambil untuk fitur dataset. Kemudian diolah
menggunakan software python open access di notebook jupyter. Kumpulan datanya
adalah diklasifikasikan dan diproses menggunakan algoritma pembelajaran mesin
Random forest. Hasil dari kumpulan data dinyatakan dalam akurasi, sensitivitas dan
spesifisitas dalam persentase. Menggunakan acak algoritma forest, diperoleh
akurasi sebesar 86,9% untuk prediksi penyakit jantung dengan nilai sensitivitas
90,6% dan nilai spesifisitas 82,7%. Dari karakteristik pengoperasian receiver, kami
memperoleh tingkat diagnosis untuk prediksi penyakit jantung menggunakan
random forest adalah 93,3%. Hutan acak algoritma telah terbukti menjadi algoritma
yang paling efisien untuk klasifikasi penyakit jantung dan karenanya itu digunakan
dalam sistem yang diusulkan.
Kata Kunci: Sistem Prediksi, Diabetes Melitus, Black Box Testing, Waterfall,
Algoritma Random Forest.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Tony Nangon
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.