Analisis Deteksi Dini Penyakit Jantung dengan Pendekatan Support Vector Machine pada Data Pasien
Kata Kunci:
Support Vector Machine, klasifikasi data, RSUD Haji MakassarAbstrak
Penelitian ini mengevaluasi deteksi dini risiko penyakit jantung menggunakan algoritma Support Vector Machine (SVM) pada data pasien RSUD Haji Makassar. Dari 640 data pasien yang diproses, tersisa 640 data yang siap untuk analisis. Metode Elbow digunakan untuk mengidentifikasi tiga klaster utama berdasarkan tingkat risiko penyakit jantung: rendah, tinggi, dan sangat tinggi. Model SVM diterapkan dengan akurasi sebesar 0.984375, menunjukkan performa unggul dalam mengklasifikasikan risiko penyakit jantung dengan kesalahan minimal. Analisis ini menegaskan bahwa SVM adalah alat yang efektif untuk identifikasi awal faktor risiko penyakit jantung, dengan pemilihan dan pengolahan data yang tepat berperan krusial dalam meningkatkan akurasi. Temuan ini memberikan dasar bagi pengembangan sistem deteksi dini yang lebih akurat dan intervensi pencegahan yang lebih efektif.
Referensi
Aji, P. W. (2023). Klasifikasi Tingkat Kepositifan Pengidap Penyakit Jantung Dengan Pendekatan Algoritma SVM Berbasis Both Kernel (Linear Dan Polynomial) (Doctoral dissertation, Universitas Pelita Bangsa).
Rachmawati, C., Martini, S., & Artanti, K. D. (2021). Analisis Faktor Risiko Modifikasi Penyakit Jantung Koroner Di Rsu Haji Surabaya Tahun 2019. Media Gizi Kesmas, 10(1), 47-55.
Kasron, K., & Susilawati, S. (2022). PENANGANAN PENYAKIT JANTUNG DI KELURAHAN TAMBAKREJA KABUPATEN CILACAP. JABI: Jurnal Abdimas Bhakti Indonesia, 3(2), 21-28.
Lestari, W., & Sumarlinda, S. (2023). Studi Komparatif Model Klasifikasi Kerentanan Penyakit Jantung Menggunakan Algoritma Machine Learning. SATIN-Sains dan Teknologi Informasi, 9(1), 107-115.
Prabowo, A. S., & Kurniadi, F. I. (2023). Analisis Perbandingan Kinerja Algoritma Klasifikasi dalam Mendeteksi Penyakit Jantung. Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), 7(1), 56-61.
Pradana, M. G., Saputro, P. H., & Wijaya, D. P. (2022). Komparasi Metode Support Vector Machine Dan Naïve Bayes Dalam Klasifikasi Peluang Penyakit Serangan Jantung. Indonesian Journal of Business Intelligence (IJUBI), 5(2), 87-91.
Sari, L. M., Yuliano, A., & Almudriki, A. (2019). Hubungan pengetahuan dan sikap keluarga terhadap kemampuan deteksi dini serangan stroke iskemik akut pada penanganan pre hopsital. Jurnal Kesehatan Perintis, 6(1), 74-80.
Utomo, D. P., & Mesran, M. (2020). Analisis komparasi metode klasifikasi data mining dan reduksi atribut pada data set penyakit jantung. Jurnal Media Informatika Budidarma, 4(2), 437-444.
