Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Mohammad Alif Awwalin
Teknik Informatika, Universitas Nahdlatul Ulama Sunan Giri
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KLASIFIKASI PENYAKIT JANTUNG BERDASARKAN FAKTOR KLINIS MENGGUNAKAN ALGORITMA XG BOOST, RANDOM FOREST, SUPPORT VECTOR MACHINE (SVM) DAN K-NEAREST NEIGHBOR (KNN) Siti Azizah Aini; Diah Fitriani; Mohammad Alif Awwalin; Ahmad Abil Rizky Ramadhan; Ifnu Wisma Dwi Prastya
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17644

Abstract

Saat ini penyakit jantung menjadi tantangan utama dalam bidang kesehatan masyarakat, diperlukan sarana deteksi dini yang efektif karena penyakit jantung adalah salah satu penyebab kematian paling umum di dunia. Metode mesin pembelajaran dikembangkan untuk membantu proses diagnosis karena data klinis yang kompleks dan metode konvensional yang terbatas. Menggunakan algoritma Random Forest, Support Vector Machine (SVM), XGBoost, dan K-Nearest Neighbors (KNN), penelitian ini bertujuan untuk mengklasifikasikan penyakit jantung berdasarkan faktor klinis. Dengan jumlah 1.888 dataset pasien dari  Kaggle. Proses preprocessing data, pembagian data latih, dan pembagian data uji adalah semua hasil dari penelitian ini, dengan rasio 80:20, pembuatan model dan penilaian menggunakan akurasi, presisi, recall, dan skor F1. Hasil pengujian menunjukkan bahwa Random Forest adalah yang terbaik dengan akurasi sebesar 97,88%, diikuti oleh XGBoost sebesar 94,71%, SVM sebesar 92,59%, dan KNN sebesar 90,21%. Berdasarkan hasil ini, Random Forest dianggap sebagai sistem yang paling ideal dan dapat dipercaya untuk mengklasifikasikan penyakit jantung berdasarkan faktor klinis, dan dapat digunakan sebagai sistem pendukung keputusan dalam bidang kesehatan.
Co-Authors Ahmad Abil Rizky Ramadhan Diah Fitriani Ifnu Wisma Dwi Prastya Siti Azizah Aini