PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI PADA DIAGNOSIS PENYAKIT JANTUNG KORONER DENGAN SELEKSI FITUR MENGGUNAKAN INFORMATION GAIN

NADITA, SOFURA MARIAH (2022) PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI PADA DIAGNOSIS PENYAKIT JANTUNG KORONER DENGAN SELEKSI FITUR MENGGUNAKAN INFORMATION GAIN. Other thesis, UPN "Veteran" Yogyakarta.

	Text Abstrak.pdf Download (8kB)
	Text Cover.pdf Download (220kB)
	Text Daftar Isi.pdf Download (382kB)
	Text Daftar Pustaka.pdf Download (441kB)
	Text Lembar pengesahan pembimbing.pdf Download (479kB)
	Text Lembar pengesahan penguji.pdf Download (463kB)
	Text Skripsi Full_Sofura Mariah Nadita_123170110.pdf Restricted to Repository staff only Download (3MB)

Abstract

Penyakit jantung koroner merupakan penyakit jantung yang disebabkan oleh adanya
penyempitan atau penyumbatan pada pembuluh darah koroner. Di Indonesia, penyakit jantung
koroner masih menjadi penyebab kematian tertinggi dan Kemenkes memperkirakan jumlah
kematiannya akan terus meningkat. Penyakit jantung koroner memiliki gejala utama yaitu
adanya nyeri dada atau angina, yang dapat dipastikan dengan berkonsultasi langsung pada
dokter spesialis jantung dan pembuluh darah. Akan tetapi, jumlah dokter spesialis jantung dan
pembuluh darah di Indonesia masih sangat terbatas. Terbatasnya jumlah dokter spesialis jantung
dan pembuluh darah dapat menyebabkan terjadinya keterlambatan penanganan pasien.
Permasalahan tersebut dapat diatasi dengan melakukan pendekatan machine learning
menggunakan klasifikasi. Klasifikasi penyakit jantung koroner dapat dilakukan menggunakan
salah satu algoritma klasifikasi terbaik yaitu algoritma K-Nearest Neighbor. Namun, kelemahan
dari algoritma tersebut yang sensitif terhadap adanya fitur data yang tidak relevan dapat
menyebabkan akurasinya menjadi rendah.
Masalah pada algoritma K-Nearest Neighbor tersebut dapat diatasi dengan melakukan
seleksi fitur. Seleksi fitur adalah proses memilih atau menyeleksi fitur data yang paling penting
untuk digunakan yang dilakukan pada tahap pre-processing data. Pada penelitian ini, seleksi
fitur dilakukan menggunakan Information gain yang merupakan salah satu metode paling
efisien dalam menyeleksi fitur data dengan hasil yang baik, sehingga dipercaya dapat mengatasi
kelemahan yang dimiliki algoritma K-Nearest Neighbor.
Dalam penelitian ini, pengujian dilakukan berdasarkan confusion matrix untuk
menghitung nilai akurasi yang dihasilkan dari klasifikasi penyakit jantung koroner
menggunakan algoritma K-Nearest Neighbor yang dilakukan dengan seleksi fitur menggunakan
information gain maupun tanpa seleksi fitur, dengan split dataset 90:10 dan 80:20. Berdasarkan
pengujian yang telah dilakukan, didapatkan bahwa algoritma k-nearest neighbor yang
diterapkan untuk klasifikasi pada data penyakit jantung koroner dengan seleksi fitur
menggunakan information gain mampu meningkatkan akurasi yang dihasilkan, dengan hasil
terbaik yaitu dari klasifikasi dengan seleksi fitur dengan split dataset 90:10 dan nilai K=5
sebesar 90% menggunakan 4 fitur hasil seleksi, yaitu thal, cp, ca, dan oldpeak. Pada klasifikasi
dengan nilai k serta split dataset yang sama, terjadi peningkatan akurasi sebesar 10% setelah
diterapkan seleksi fitur. Pada pengujian dengan split dataset 80:20 menghasilkan akurasi
tertinggi sebesar 86,67% dari klasifikasi yang dilakukan menggunakan nilai K=15 dan 3 fitur
hasil seleksi, yaitu thal, cp, dan ca.
Kata kunci: Penyakit Jantung Koroner, Klasifikasi, Seleksi Fitur, K-Nearest Neighbor, Information Gain

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Jantung Koroner, Klasifikasi, Seleksi Fitur, K-Nearest Neighbor, Information Gain
Subjects:	T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	22 Aug 2022 03:23
Last Modified:	22 Aug 2022 03:23
URI:	http://eprints.upnyk.ac.id/id/eprint/30730

Actions (login required)

View Item