KOMPARASI ALGORITMA K-NEAREST NEIGHBOR (K-NN), SUPPORT VECTOR MACHINE (SVM), DAN DECISION TREE DALAM KLASIFIKASI PENYAKIT STROKE
DOI:
https://doi.org/10.36595/jire.v7i1.1161Keywords:
Penyakit Stroke, Decision Tree, K-Nearst Neighbors (KNN), Support Vector Machine (SVM), StreamliteAbstract
Penyakit stroke adalah penyebab kematian dan kecacatan pada manusia. Stroke dapat menyebabkan aliran darah otak terganggu. Ini menghambat semua fungsi organ, menyebabkan organ-organ tertentu kehilangan elastisitas, oksigen, atau nutrisi, dan akhirnya menyebabkan mereka mati dengan cepat. Tujuan dari penelitian ini adalah untuk mengklasifikasi seseorang yang mengalami stroke. Dalam penelitian ini, metode K-NN mempunyai kemampuan untuk menangani masalah yang kompleks tanpa terpengaruh oleh berbagai faktor dan sifatnya yang kuat, intensif, dan tidak asumsif, metode SVM memiliki kemampuan untuk menangani masalah yang kompleks tanpa terpengaruh oleh berbagai factor dan melakukan pelatihan secara efektif, sedangkan Decision Tree mengembangkan pengetahuan berdasarkan data pelatihan dan labelnya, melakukan prediksi terkait kategori atau label kelas. Dari metode-metode tersebut akan melakukan klasifikasi pada data penyakit stroke dari 4981 record. Hasil pengujian metode dengan spliting data 80:20 menunjukkan bahwa metode K-NN mendapatkan hasil akurasi 94%, dan SVM mendapatkan hasil akurasi 95%, sedangkan Decision Tree mendapatkan hasil 92%. Dari hasil tersebut metode SVM lebih baik dibandingkan dua metode K-NN dan Decision Tree. Studi ini menggunakan Streamlite untuk membuat visualisasi data menjadi lebih menarik.
References
N. Aliffiyanti Iskandar, I. Ernawati, and Y. Widiastiwi, “Klasifikasi Diagnosis Penyakit Stroke Dengan Menggunakan Metode Random Forest,” 2022. [Online]. Available: https://www.kaggle.com/fedesoriano/stroke-
A. Byna and M. Basit, “PENERAPAN METODE ADABOOST UNTUK MENGOPTIMASI PREDIKSI PENYAKIT STROKE DENGAN ALGORITMA NAÏVE BAYES,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 9, no. 3, pp. 407–411, Nov. 2020, doi: 10.32736/sisfokom.v9i3.1023.
K. Akmal, A. Faqih, and F. Dikananda, “PERBANDINGAN METODE ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBORS UNTUK KLASIFIKASI PENYAKIT STROKE,” 2023. [Online]. Available: www.researchgate.net
N. D. Saputri, K. Khalid, and D. Rolliawati, “Comparison of Bagging and Adaboost Methods on C4.5 Algorithm for Stroke Prediction,” SISTEMASI, vol. 11, no. 3, p. 567, Sep. 2022, doi: 10.32520/stmsi.v11i3.1684.
Y. Pratama, A. Prayitno, D. Nazrian, N. Aini, Y. Rizki, and E. Rasywir, “BULLETIN OF COMPUTER SCIENCE RESEARCH Klasifikasi Penyakit Gagal Jantung Menggunakan Algoritma K-Nearest Neighbor,” 2022, doi: 10.47065/bulletincsr.v3i1.203.
D. Efriadi, R. Rahmaddeni, A. Agustin, and J. Junadhi, “Prediksi Penambahan Piutang Iuran Jaminan Sosial Ketenagakerjaan menggunakan Algoritma K-Nearest Neighbor,” Edumatic: Jurnal Pendidikan Informatika, vol. 6, no. 1, pp. 49–57, Jun. 2022, doi: 10.29408/edumatic.v6i1.5255.
R. abibah br Lumbantobing, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Support Vector Machine,” 2023.
R. Ridho, “KLASIFIKASI DIAGNOSIS PENYAKIT COVID-19 MENGGUNAKAN METODE DECISION TREE,” 2021. [Online]. Available: https://jurnal.umj.ac.id/index.php/just-it/index
D. P. Sinambela, H. Naparin, M. Zulfadhilah, and N. Hidayah, “Implementasi Algoritma Decision Tree dan Random Forest dalam Prediksi Perdarahan Pascasalin,” Jurnal Informasi dan Teknologi, vol. 5, no. 3, pp. 58–64, Sep. 2023, doi: 10.60083/jidt.v5i3.393.
A. Wahab, S. Samarinda, I. Lishania, R. Goejantoro, and Y. N. Nasution, “Perbandingan Klasifikasi Metode Naive Bayes dan Metode Decision Tree Algoritma (J48) pada Pasien Penderita Penyakit Stroke di RSUD Comparison of the Classification for Naive Bayes Method and the Decision Tree Algorithm (J48) for Stroke Patients in Abdul Wahab Sjahranie Samarinda Hospital,” Jurnal EKSPONENSIAL, vol. 10, no. 2, 2019.
M. Nurkholifah, Jasmarizal, Y. Umar, and Rahmaddeni, “ANALISA PERFORMA ALGORITMA MACHINE LEARNING DALAM PREDIKSI PENYAKIT LIVER,” Jurnal Indonesia?: Manajemen Informatika dan Komunikasi, vol. 4, no. 1, pp. 164–172, Jan. 2023, doi: 10.35870/jimik.v4i1.149.
N. Yolanda Paramitha et al., “Klasifikasi Penyakit Stroke Menggunakan Metode Naïve Bayes,” 2023. [Online]. Available: https://www.kaggle.com/datasets/zzettrkalpakbal/full-filled-
A. Putri, C. Syaficha Hardiana, E. Novfuja, F. Try Puspa Siregar, Y. Fatma, and R. Wahyuni, “Comparison of K-NN, Naive Bayes and SVM Algorithms for Final-Year Student Graduation Prediction Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage, vol. 3, no. 1, pp. 20–26, 2023.
M. Ikhsan and R. Syair Habibi, “PENERAPAN SISTEM CERDAS BERBASIS CASE BASE BASED REASONING (CBR) DAN METODE K-NEAREST NEIGHBOR UNTUK IDENTIFIKASI MASALAH DATA CENTER,” 2023. [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900
S. N. Luqman et al., “Komparasi Algoritma Klasifikasi Genre Musik pada Spotify Menggunakan CRISP-DM,” 2021.
N. Indriyani, E. Ali STMIK Amik Riau, and U. Rio STMIK Amik Riau, “SATIN-Sains dan Teknologi Informasi Menentukan Kualitas Pelayanan Maskapai Penerbangan Domestik Dengan Menggunakan Metode Naïve Bayes,” vol. 6, no. 1, 2020, [Online]. Available: http://hubud.dephub.go.id/website/BandaraDet
D. Septhya, K. Rahayu, S. Rabbani, V. Fitria, Y. Irawan, and R. Hayami, “MALCOM: Indonesian Journal of Machine Learning and Computer Science Implementation of Decision Tree Algorithm and Support Vector Machine for Lung Cancer Classification Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru,” vol. 3, pp. 15–19, 2023.
S. S. T. E. A. R. , A. N. Ade Silvia Handayani1, “KLASIFIKASI KUALITAS UDARA DENGAN METODE SUPPORT VECTOR MACHINE,” JIRE (Jurnal Informatika & Rekayasa Elektronika) , 2020.
J. I. Matematika and S. Adi, “MATHunesa Tahun 2022 KOMPARASI METODE SUPPORT VECTOR MACHINE (SVM), K-NEAREST NEIGHBORS (KNN), DAN RANDOM FOREST (RF) UNTUK PREDIKSI PENYAKIT GAGAL JANTUNG Atik Wintarti”.
A. Irzky Shafarindu, E. Patimah, Y. Marintan Siahaan, A. Wisnu Wardhana, B. Vicky Haekal, and D. Sandya Prasvita, Klasifikasi Data Penjualan pada Supermarket dengan Metode Decision Tree. 2021. [Online]. Available: https://www.kaggle.com/aungpyaeap/supermarket-sales?select=supermarket_sales+-+Sheet1.csv.
F. Akbar, H. Wira Saputra, A. Karel Maulaya, and M. Fikri Hidayat, “MALCOM: Indonesian Journal of Machine Learning and Computer Science Implementation of Decision Tree Algorithm C4.5 and Support Vector Regression for Stroke Disease Prediction Implementasi Algoritma Decision Tree C4.5 dan Support Vector Regression untuk Prediksi Penyakit Stroke,” vol. 2, pp. 61–67, 2022.
W. Hastomo, N. Aini, A. Satyo, B. Karno, and L. M. R. Rere, “Metode Pembelajaran Mesin untuk Memprediksi Emisi Manure Management,” 2022.
R. Safri Irawansyah, L. A. Syamsul Irfan A, and G. Wahyu Wiriasto, “ANALISIS SENTIMEN TERHADAP PROGRAM MERDEKA BELAJAR-KAMPUS MERDEKA (MBKM) PADA TWITTER MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER (NBC),” 2010.
Additional Files
Published
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
