KLASIFIKASI PENYAKIT JANTUNG DENGAN ALGORITMA K-NEAREST NEIGHBOR DAN LOGISTIC REGRESSION

Sugitha, I Kadek Agga (2024) KLASIFIKASI PENYAKIT JANTUNG DENGAN ALGORITMA K-NEAREST NEIGHBOR DAN LOGISTIC REGRESSION. Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (894kB)
	Text BAB I.pdf Download (146kB)
	Text BAB II.pdf Download (350kB)
	Text BAB III.pdf Download (551kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (327kB)
	Text LAMPIRAN.pdf Download (5MB)

Abstract

Penyakit jantung merupakan penyebab utama kematian di seluruh dunia,
termasuk di Indonesia, dengan peningkatan prevalensi dan angka kematian yang
menempatkan beban yang signifikan terhadap pelayanan kesehatan dan masyarakat.
Kurangnya informasi gejala awal berkontribusi besar terhadap tantangan ini. Penelitian
ini bertujuan untuk mencegah penyakit jantung melalui diagnosis dini dengan
menggunakan algoritma K-Nearest Neighbor (K-NN) dan Regresi Logistik. Dataset,
yang bersumber dari Kaggle.com, terdiri dari 15 atribut klinis untuk diagnosis penyakit
jantung. Pengujian menunjukkan bahwa metode K-NN dengan k = 3 mencapai kinerja
optimal pada data uji (30%), dengan akurasi 90%, presisi 93%, recall 87%, dan f1score
90%.
Sebagai
perbandingan,
Regresi
Logistik
dengan
sigmoid
mencapai
akurasi

86%,
presisi
83%,
recall
90%,
dan
f1-score
86%
pada
data
uji
yang
sama.
Hasil
ini

menunjukkan

bahwa K-Nearest Neighbor mengungguli Regresi Logistik sebagai
algoritma klasifikasi untuk dataset penyakit jantung. Menerapkan temuan ini dalam
kerangka kerja Streamlit berbasis web diharapkan dapat meningkatkan efisiensi dan
ketepatan waktu pemantauan dan diagnosis penyakit jantung.

Item Type:	Thesis (Bachelor)
Subjects:	H Social Sciences > HV Social pathology. Social and public welfare Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Users 30 not found.
Date Deposited:	03 Sep 2024 03:22
Last Modified:	12 Sep 2024 02:41
URI:	https://repository.unas.ac.id/id/eprint/11592

Actions (login required)

View Item