Prediksi penyakit gagal jantung menggunakan algoritma k-nearest neighbors (KNN) dan decision tree dengan hyperparameter tuning berbasis particle swarm optimization (PSO)

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

Image of Prediksi penyakit gagal jantung menggunakan algoritma k-nearest neighbors (KNN) dan decision tree dengan hyperparameter tuning berbasis particle swarm optimization (PSO)

Text

Prediksi penyakit gagal jantung menggunakan algoritma k-nearest neighbors (KNN) dan decision tree dengan hyperparameter tuning berbasis particle swarm optimization (PSO)

Defi Sulistiyowati - Nama Orang - Pengarang Utama; Rudi Setiawan - Nama Orang - Pembimbing; Gatot Tri Pranoto - Nama Orang - Pembimbing;

Penyakit gagal jantung termasuk dalam kategori kardiovaskular yang memiliki angka kematian tertinggi di dunia. Deteksi dini penyakit ini sangat penting untuk meningkatkan peluang pemulihan pasien namun metode diagnosis konvensional sering kali memerlukan prosedur yang kompleks, biaya tinggi, serta bergantung pada keahlian tenaga medis. Oleh karena itu, penelitian ini mengusulkan model prediksi gagal jantung berbasis machine learning dengan algoritma K-Nearest Neighbors (KNN) dan Decision Tree. Salah satu tantangan dalam pengolahan data medis adalah ketidakseimbangan kelas dalam dataset dimana jumlah pasien yang bertahan hidup jauh lebih banyak dibandingkan dengan pasien yang meninggal untuk. Mengatasi masalah ini diterapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) dan Adaptive Synthetic Sampling (ADASYN) guna menyeimbangkan data. Selain itu untuk meningkatkan kinerja model, penelitian ini menerapkan Particle Swarm Optimization (PSO) dalam optimasi hyperparameter. Hasil yang diperoleh menunjukkan bahwa kombinasi SMOTE + ADASYN dalam menangani ketidakseimbangan data serta optimasi hyperparameter dengan PSO dapat meningkatkan akurasi prediksi gagal jantung. Dengan demikian, model yang diusulkan diharapkan dapat menjadi alat bantu dalam pengambilan keputusan medis secara efektif dan akurat.

Ketersediaan

SI25/012 SI 25/012 Prodi Sistem Informasi (Ruang Skripsi & Tesis) Tersedia

Informasi Detail

Judul Seri: -
No. Panggil: SI 25/012
Penerbit: Jakarta : Universitas Trilogi., 2025
Deskripsi Fisik: -
Bahasa: Indonesia
ISBN/ISSN: -
Klasifikasi: SI
Tipe Isi: text
Tipe Media: -
Tipe Pembawa: -
Edisi: -
Subjek: Trilogi University--Management information systems
Info Detail Spesifik: -
Pernyataan Tanggungjawab: Defi Sulistiyowati

Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas

Tidak Ada Data

Komentar

Anda harus masuk sebelum memberikan komentar