Perbandingan dan Penerapan Algoritma Klasifikasi SVM, AdaBoost, dan Hibrida SVM-AdaBoost dalam Prediksi Penyakit Jantung

Hilman Fadly, Muhammad (2023) Perbandingan dan Penerapan Algoritma Klasifikasi SVM, AdaBoost, dan Hibrida SVM-AdaBoost dalam Prediksi Penyakit Jantung. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (267kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (108kB) | Preview
Preview	PDF BAB_I.pdf Download (71kB) | Preview
Preview	PDF BAB_II.pdf Download (230kB) | Preview
Preview	PDF BAB_III.pdf Download (122kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (547kB)
Preview	PDF BAB_V.pdf Download (61kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (498kB)

Abstract

Penyakit jantung adalah masalah kesehatan global yang merupakan penyebab utama kematian di dunia, termasuk di Indonesia. Prevalensi penyakit jantung di Indonesia juga terus menunjukkan peningkatan dengan sekitar 6,1% penduduk Indonesia menderita penyakit jantung. Sehingga dibutuhkan pengembangan pencegahan dan deteksi dini guna dalam mengurangi dampak penyakit jantung. Penelitian ini bertujuan untuk melakukan perbandingan dan penerapan algoritma klasifikasi pada kasus penyakit jantung guna membantu pembuatan sistem deteksi dini yang efektif dan akurat. Berbagai penelitian sebelumnya telah dilakukan mengenai klasifikasi hibrida termasuk mengenai gabungan klasifikasi hibrida SVM-AdaBoost yang terbukti mampu meningkatkan tingkat akurasi pemodelan. Oleh karena itu, dalam penelitian ini akan dilakukan perbandingan antara klasifikasi tunggal algoritma SVM, klasifikasi tunggal algoritma AdaBoost, dan klasifikasi hibrida yang menggabungkan algoritma SVM dan AdaBoost. Penelitian akan dilakukan dengan data UCI Heart Disease Dataset serta mengadopsi metodologi CRISP-DM. Hasil modeling terbaik kemudian akan digunakan untuk membuat prototipe website menggunakan framework Flask. Berdasarkan pengujian dan evaluasi yang dilakukan, ditemukan bahwa algoritma hibrida SVM-AdaBoost mampu meningkatkan akurasi dibandingkan dengan algoritma klasifikasi tunggal. Pada penelitian ditemukan bahwa algoritma tunggal SVM dan algoritma tunggal AdaBoost menghasilkan tingkat akurasi 86,67% sedangkan algoritma hibrida SVM- AdaBoost mampu menghasilkan tingkat akurasi sebesar 90,00%. Oleh karena itu, penggunaan algoritma klasifikasi hibrida SVM dan AdaBoost direkomendasikan dalam memprediksi kemungkinan seseorang terkena penyakit jantung.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	AdaBoost, CRISP-DM, Flask, Klasifikasi Hibrida, Penyakit Jantung, Prototipe SVM
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	03 Jul 2023 09:53
Last Modified:	03 Aug 2023 07:53
URI:	https://kc.umn.ac.id/id/eprint/25582

Actions (login required)

View Item