Analisis Perbandingan Kinerja Algoritma Klasifikasi dalam Mendeteksi Penyakit Jantung

Jurnal Sistem Komputer dan Kecerdasan Buatan Pub Date : 2023-10-07 DOI:10.47970/siskom-kb.v7i1.468

Abram Setyo Prabowo, Felix Indra Kurniadi

{"title":"Analisis Perbandingan Kinerja Algoritma Klasifikasi dalam Mendeteksi Penyakit Jantung","authors":"Abram Setyo Prabowo, Felix Indra Kurniadi","doi":"10.47970/siskom-kb.v7i1.468","DOIUrl":null,"url":null,"abstract":"Abstract— Deteksi penyakit jantung secara dini dan akurat memiliki dampak signifikan terhadap prognosis pasien serta mengurangi beban penyakit secara keseluruhan. Dalam upaya meningkatkan efektivitas deteksi penyakit jantung, teknik pembelajaran mesin dan algoritma klasifikasi telah muncul sebagai alat yang berpotensi ampuh dalam mendiagnosis kondisi ini dengan tingkat akurasi yang tinggi. Penelitian ini bertujuan untuk memprediksi penyakit jantung dengan menggunakan perbandingan Support Vector Machine (SVM), Random Forest, Logistic Regression, dan AdaBoost. Pada penelitian ini algoritma Random Forest mempunyai model base score untuk training test dengan nilai 1, nilai tersebut merupakan nilai terbaik dibandingkan dengan 3 algoritma yang diusulkan pada penelitian ini. Selama pengujian, hasil yang diperoleh adalah algoritma random forest, SVM, dan AdaBoost merupakan algoritma yang mempunyai nilai terbaik dan nilai yang sama pada hasil pengujian. Untuk nilai akurasi 0.985366, presisi 0.985714, recall 0.985437, dan f1-score 0.985364.. Keywords — Heart Disease, Machine Learning, SVM, AdaBoost, Random Forest, Linear Regression","PeriodicalId":487124,"journal":{"name":"Jurnal Sistem Komputer dan Kecerdasan Buatan","volume":"118 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-10-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Sistem Komputer dan Kecerdasan Buatan","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.47970/siskom-kb.v7i1.468","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Abstract— Deteksi penyakit jantung secara dini dan akurat memiliki dampak signifikan terhadap prognosis pasien serta mengurangi beban penyakit secara keseluruhan. Dalam upaya meningkatkan efektivitas deteksi penyakit jantung, teknik pembelajaran mesin dan algoritma klasifikasi telah muncul sebagai alat yang berpotensi ampuh dalam mendiagnosis kondisi ini dengan tingkat akurasi yang tinggi. Penelitian ini bertujuan untuk memprediksi penyakit jantung dengan menggunakan perbandingan Support Vector Machine (SVM), Random Forest, Logistic Regression, dan AdaBoost. Pada penelitian ini algoritma Random Forest mempunyai model base score untuk training test dengan nilai 1, nilai tersebut merupakan nilai terbaik dibandingkan dengan 3 algoritma yang diusulkan pada penelitian ini. Selama pengujian, hasil yang diperoleh adalah algoritma random forest, SVM, dan AdaBoost merupakan algoritma yang mempunyai nilai terbaik dan nilai yang sama pada hasil pengujian. Untuk nilai akurasi 0.985366, presisi 0.985714, recall 0.985437, dan f1-score 0.985364.. Keywords — Heart Disease, Machine Learning, SVM, AdaBoost, Random Forest, Linear Regression

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

比较分类算法在检测心脏病时的表现分析

抽象——及早准确地检测心脏病对患者的预后有重大影响，减轻了整体疾病负担。为了提高心脏病检测的有效性，机械学习技术和分类算法已经成为诊断这种疾病的有效工具。本研究旨在用支持向量机(SVM)、随机森林、逻辑回归和AdaBoost比较来预测心脏病。在本研究中，Random Forest算法为pt test提供了一个基地得分模型，与本研究提出的三个算法相比，这个值是最好的。在测试过程中，结果是随机森林算法、SVM算法和AdaBoost算法，它们在测试结果中具有最好的值和相同的值。对于准确性0.985366，精度为0.985714，召回0.985437，和f1-得分0.985364…Keywords——心脏疾病，学习机器，SVM, AdaBoost，随机森林，线性回归

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

Jurnal Sistem Komputer dan Kecerdasan Buatan

自引率

0.00%

发文量