PENERAPAN DATA MINING UNTUK KLASIFIKASI PENYAKIT JANTUNG KORONER MENGGUNAKAN METODE K-NEAREST NEIGBOR (KNN)

Sholeh, Muhammad (2025) PENERAPAN DATA MINING UNTUK KLASIFIKASI PENYAKIT JANTUNG KORONER MENGGUNAKAN METODE K-NEAREST NEIGBOR (KNN). Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (228kB)
	Text BAB II.pdf Restricted to Registered users only Download (668kB)
	Text BAB III.pdf Restricted to Registered users only Download (411kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (187kB)
	Text DAFTAR PUSTAKA.pdf Download (307kB)

Abstract

Penyakit jantung merupakan salah satu penyakit yang menjadi penyebab utama kematian di seluruh dunia. Penelitian ini bertujuan untuk menerapkan teknik data mining dalam menganalisis data penyakit jantung menggunakan metode K-Nearest Neighbor (KNN). Dalam penelitian ini, dataset yang digunakan adalah dataset penyakit jantung yang mencakup berbagai atribut yang berkaitan dengan faktor risiko. Metode KNN dipilih karena kemampuannya yang baik dalam mengklasifikasikan data berdasarkan kedekatannya dengan data lainnya. Data yang digunakan adalah data penyakit jantung koroner, di mana data tersebut bersumber dari Kaggle. Hasil struktur data penyakit jantung koroner adalah sebanyak 1025 data. Atribut yang digunakan berupa Jenis Kelamin, Nyeri Dada, Glukosa, Hasil EKG, Angina, Penyumbatan, dan Thalasemia. Hasil dari penelitian ini, menunjukkan bahwa kinerja metode KNN bekerja sangat baik. Dari optimasi yang dilakukan, nilai akurasi perhitungan menggunakan RapiMiner yang tertinggi terletak pada rasio 0,9 yaitu sebesar 85,44% yang artinya optimasi yang dilakukan berkerja dengan baik. Sementara itu, ketika model diuji menggunakan Google Colab, nilai akurasi yaitu 93%. Perbedaan hasil ini mungkin disebabkan oleh perbedaan parameter yang digunakan di masing-masing platform. Meskipun demikian, hasil tersebut menunjukkan bahwa metode KNN memiliki potensi yang sangat baik dalam mendiagnosis penyakit jantung berdasarkan data medis yang ada.

Actions (login required)

View Item