Implementasi Prediksi Penyakit Jantung Menggunakan Data Mining Untuk Dunia Kesehatan

Mikhael Chandra Arta, Nur Anwar, Yulia Aneke Putri, Suharjito Suharjito, Muhammad Asroll

Abstract


Jantung merupakan organ vital manusia yang sering menjadi penyebab kematian tertinggi. Penyakit jantung dapat diketahui dengan cara pemeriksaan dokter atau sejumlah tes kesehatan. Saat ini, perusahaan perlu memprediksi karyawannya yang kemungkinan memiliki riwayat atau calon pengidap penyakit jantung untuk mengurangi risiko kematian. Tindakan yang dilakukan dapat menggunakan pembelajaran mesin. Pembelajaran mesin memang dapat membantu dalam identifikasi awal penyakit dan meningkatkan hasil pengobatan. Sistem ini mampu memprediksi yang dapat membantu prediksi diagnosis penyakit jantung secara cepat dan akurat. Penelitian ini bertujuan untuk prediksi diagnosis penyakit jantung secara cepat dan akurat dengan menggunakan algoritma terbaik. Algoritma yang digunakan untuk melakukan prediksi yaitu Decision Tree, Gradient Boosted, dan Random Forest. Untuk prediksi, atribut yang digunakan adalah usia, jenis kelamin, tekanan darah, kolesterol, gula darah, detak jantung, jenis sakit dada dan tambahan adalah hasil pemeriksaan fisik lainnya. Dari hasil yang diperoleh, Gradient Boosted adalah algoritma yang memiliki AUC, presisi dan recall tertinggi dengan 86.6%.


Keywords


Data Mining; Decision Tree; Gradient Boosted; Random Forest; Recall

Full Text:

PDF

References


G. Gustientiedina, M. H. Adiya, and Y. Desnelita, “Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan,” J. Nas. Teknol. dan Sist. Inf., vol. 5, no. 1, pp. 17–24, 2019, doi: 10.25077/teknosi.v5i1.2019.17-24.

W. Sudrajat, I. Cholid, and J. Petrus, “Penerapan Algoritma K-Means Clustering untuk Pengelompokan UMKM Menggunakan Rapidminer,” J. JUPITER, vol. 14, no. 1, pp. 27–36, 2022.

M. R. Nugroho, I. E. Hendrawan, and P. P. Purwantoro, “Penerapan Algoritma K-Means Untuk Klasterisasi Data Obat Pada Rumah Sakit ASRI,” Nuansa Inform., vol. 16, no. 1, pp. 125–133, 2022, doi: 10.25134/nuansa.v16i1.5294.

T. Taslim and F. Fajrizal, “Penerapan algorithma k-mean untuk clustering data obat pada puskesmas rumbai,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 7, no. 2, pp. 108–114, 2016, doi: 10.31849/digitalzone.v7i2.602.

D. A. Ramadhanty, R. Syafitri, E. Raswir, and D. Meisak, “Implementasi Data Mining Untuk Menentukan Persediaan Stok Obat Jurnal Informatika Dan Rekayasa Komputer ( JAKAKOM ),” J. Inform. dan Rekayasa Komput., vol. 1, no. 2, pp. 155–160, 2022.

Normah, B. Rifai, S. Vambudi, and R. Maulana, “Penerapan Data Mining Metode K-Means Clustering Untuk Analisa Penjualan Pada Toko Fashion Hijab Banten,” J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.

P. M. S. Tarigan, J. T. Hardinata, H. Qurniawan, M.Safii, and R. Winanjaya, “Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus: Toko Sinar Harahap),” G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 119–126, 2023, doi: 10.33379/gtech.v7i1.1938.

M. Chaitrali, S. Dangare, M. Sulabha, and S. Apte, “a Data Mining Approach for Prediction of Heart Disease Using Neural Networks,” Int. J. Comput. Eng. Technol. (IJCET), vol. 3, no. 3, pp. 30–40, 2012, [Online]. Available: http://ssrn.com/abstract=2175569

S. Palaniappan and R. Awang, “Intelligent heart disease prediction system using data mining techniques,” AICCSA 08 - 6th IEEE/ACS Int. Conf. Comput. Syst. Appl., no. December, pp. 108–115, 2008, doi: 10.1109/AICCSA.2008.4493524.

D. Haryadi and D. M. U. Atmaja, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Tingkat Risiko Penyakit Jantung,” J. Informatics Commun. Technol., vol. 3, no. 2, pp. 51–66, 2021, doi: 10.52661/j_ict.v3i2.85.

H. Manurung and D. Irawati Sukma, “Aplikasi K-means cluster untuk pengelompokan unit kerja yang beresiko Covid-19: Studi kasus pada industri layanan kesehatan,” Oper. Excell. J. Appl. Ind. Eng., vol. 12, no. 2, pp. 1–10, 2020.

H. Jindal, S. Agrawal, R. Khera, R. Jain, and P. Nagrath, “Heart disease prediction using machine learning algorithms,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1022, no. 1, pp. 1–10, 2021, doi: 10.1088/1757-899X/1022/1/012072.

E. Fauziningrum and E. I. Sulistyaningsih, “Penerapan Data Mining Metode Decision Tree Untuk Mengukur Penguasaan Bahasa Inggris Maritim (Studi Kasus Di Universitas Maritim Amni),” J. Sains Dan Teknol. Marit., vol. 22, no. 1, p. 41, 2021, doi: 10.33556/jstm.v22i1.285.

Normah, B. Rifai, S. Vambudi, and R. Maulana, “Implementasi Metode Decision Tree Klasifikasi Data Mining Untuk Prediksi Peminatan Jurusan Robotika oleh Mahasiswa,” J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.

2016 Banu G. R., “A Role of decision Tree classification data Mining Technique in Diagnosing Thyroid disease A Role of decision Tree classification data Mining Technique in Diagnosing Thyroid disease,” Int. J. Comput. Sci. Eng., vol. 4, no. 11, pp. 111–115, 2017, [Online]. Available: https://www.researchgate.net/profile/Gulmohamed_Banu/publication/312167378_A_Role_of_decision_Tree_classification_data_Mining_Technique_in_Diagnosing_Thyroid_disease/links/5874ff9108ae6eb871c9a470/A-Role-of-decision-Tree-classification-data-Mining-Techniq

H. H. Patel and P. Prajapati, “Study and Analysis of Decision Tree Based Classification Algorithms,” Int. J. Comput. Sci. Eng., vol. 6, no. 10, pp. 74–78, 2018, doi: 10.26438/ijcse/v6i10.7478.

E. Firasari, U. Khultsum, M. N. Winnarto, and R. Risnandar, “Kombinasi K-NN dan Gradient Boosted Trees untuk Klasifikasi Penerima Program Bantuan Sosial,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, p. 1231, 2020, doi: 10.25126/jtiik.0813087.

S. E. Suryana, B. Warsito, and S. Suparti, “Penerapan Gradient Boosting Dengan Hyperopt Untuk Memprediksi Keberhasilan Telemarketing Bank,” J. Gaussian, vol. 10, no. 4, pp. 617–623, 2021, doi: 10.14710/j.gauss.v10i4.31335.

R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis J. Ilm. Ekon. dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020, doi: 10.51903/e-bisnis.v13i2.247.

Suci Amaliah, M. Nusrang, and A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, pp. 121–127, 2022, doi: 10.35580/variansiunm31.

I. Kurniawan, D. C. P. Buani, A. Abdussomad, W. Apriliah, and R. A. Saputra, “Implementasi Algoritma Random Forest Untuk Menentukan Penerima Bantuan Raskin,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 2, pp. 421–428, 2023, doi: 10.25126/jtiik.20231026225.

Ö. Akar and O. Güngör, “Classification of multispectral images using Random Forest algorithm,” J. Geod. Geoinf., vol. 1, no. 2, pp. 105–112, 2012, doi: 10.9733/jgg.241212.1.




DOI: https://doi.org/10.35308/jopt.v10i1.9075

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Jurnal Optimalisasi

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

JOPT: Jurnal Optimalisasi Indexing and Abstracting by: