Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Journal Zetroem
Rio Agus Panbudi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

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

Found 1 Documents
Search

 1 
Implementasi Algoritma SVM dalam Memprediksi Penyakit Stroke Alexsander; Ahmad Nazri; Rio Agus Panbudi; Junadhi
ZETROEM Vol 6 No 2 (2024): ZETROEM
Publisher : Prodi Teknik Elektro Universitas PGRI Banyuwangi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36526/ztr.v6i2.3676

Abstract

Tujuan dari penelitian ini adalah untuk membangun model prediksi stroke menggunakan algoritma Support Vector Machine (SVM) berdasarkan data medis yang tersedia, dengan tujuan untuk mengidentifikasi faktor risiko yang berpotensi terkait dengan penyakit tersebut. Stroke adalah kondisi medis yang terjadi ketika pasokan darah ke bagian otak terganggu atau berhenti, menyebabkan kerusakan pada sel-sel otak akibat kekurangan oksigen dan nutrisi. Hal ini dapat disebabkan oleh pembuluh darah yang tersumbat (stroke iskemik) atau pecahnya pembuluh darah (stroke hemoragik). Penelitian ini menerapkan SVM untuk menghasilkan model klasifikasi. Metode SVM dikenal karena kemampuannya untuk menemukan hiperplan terbaik untuk memisahkan kelas data. Evaluasi kinerja algoritma SVM dilakukan menggunakan akurasi prediksi, presisi, recall, dan F1-score. Hasil dari penelitian ini memberikan pemahaman yang lebih baik tentang efektivitas SVM dalam memprediksi penyakit stroke. Dalam penelitian ini, hasil terbaik ditemukan, yaitu dengan tingkat akurasi 95 persen setelah melakukan 15 percobaan dengan distribusi data latih dan uji 80:20. Penelitian ini menerapkan algoritma Support Vector Machine (SVM) untuk memprediksi stroke. Akurasi yang dihasilkan oleh metode Support Vector Machine (SVM) dalam membuat prediksi adalah 95% dan dikatakan sangat baik.
Co-Authors Ahmad Nazri Alexsander Junadhi Junadhi