Koko Anand, Marshal (2024) PERBANDINGAN ANALISA PREDIKSI DALAM PENYAKIT GAGAL JANTUNG MENGGUNAKAN METODE KNN DAN SVM. Skripsi thesis, UNAMA.
![]() |
Text
BAB I.pdf Download (129kB) |
![]() |
Text
BAB II.pdf Restricted to Registered users only Download (367kB) |
![]() |
Text
BAB III.pdf Restricted to Registered users only Download (177kB) |
![]() |
Text
BAB IV.pdf Restricted to Registered users only Download (598kB) |
![]() |
Text
BAB V.pdf Download (33kB) |
![]() |
Text
DAFTAR PUSTAKA.pdf Download (80kB) |
Abstract
Penelitian ini berfokus pada perbandingan metode K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM) dalam memprediksi penyakit gagal jantung menggunakan dataset Heart Failure Prediction dari Kaggle. Dengan prevalensi penyakit jantung yang tinggi sebagai penyebab utama kematian global, akurasi prediksi yang lebih baik sangat diperlukan. Data yang digunakan terdiri dari 918 sampel yang telah dibersihkan dari noise. Evaluasi performa model menunjukkan bahwa KNN memiliki nilai precision sebesar 0.87 untuk klasifikasi tanpa penyakit dan 0.91 untuk klasifikasi dengan penyakit, dengan F1-score sebesar 0.89. Sementara itu, SVM menghasilkan precision sebesar 0.80 dan 0.89, serta F1-score sebesar 0.83. Melalui perbandingan confusion matrix, KNN menunjukkan kemampuan yang lebih baik dalam mengenali kasus positif dibandingkan SVM. Visualisasi data menggunakan histogram, box plot, dan scatter plot memberikan pemahaman lebih mendalam tentang distribusi dan hubungan antar variabel numerik. Kesimpulan dari penelitian ini adalah bahwa KNN lebih unggul dalam memprediksi penyakit gagal jantung pada dataset yang digunakan, meskipun SVM juga memberikan hasil yang baik. Visualisasi data membantu dalam mengeksplorasi dan memahami karakteristik dataset sebelum pemodelan, yang sangat penting dalam meningkatkan akurasi prediksi penyakit gagal jantung.
Item Type: | Thesis (Skripsi) |
---|---|
Subjects: | Analisis Sistem Informasi |
Divisions: | Skripsi > Teknik Informatika > 2024 |
Depositing User: | Digital Library |
Date Deposited: | 30 May 2025 09:25 |
Last Modified: | 30 May 2025 09:25 |
URI: | http://repository.unama.ac.id/id/eprint/4204 |
Actions (login required)
![]() |
View Item |