Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Faradisia, Adeline
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
Analisis Komparatif Kernel Linear, Polynomial, RBF, dan Sigmoid pada Support Vector Machine untuk Klasifikasi Penyakit Jantung: Comparative Analysis of Linear, Polynomial, RBF, and Sigmoid Kernels in Support Vector Machine for Heart Disease Classification Faradisia, Adeline; Pakereng, Magdalena A. Ineke
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.2321

Abstract

Penyakit jantung masih menjadi salah satu penyebab utama kematian di berbagai belahan dunia, sehingga deteksi dini sangat diperlukan untuk menekan risiko yang mungkin timbul. Penelitian ini menerapkan algoritma Support Vector Machine (SVM) dalam mengklasifikasikan risiko penyakit jantung dengan melakukan perbandingan kinerja empat jenis kernel, yaitu linear, polynomial, radial basis function (RBF), dan sigmoid. Dataset yang digunakan berasal dari open dataset “Heart Disease” di Kaggle yang berisi 303 data pasien dengan 13 atribut klinis, age, sex, jenis nyeri dada (cp), tekanan darah saat istirahat (trestbps), kolesterol serum (chol), gula darah puasa (fbs), hasil EKG istirahat (restecg), detak jantung maksimum (thalach), angina akibat olahraga (exang), depresi ST (oldpeak), kemiringan segmen ST (slope), jumlah pembuluh darah utama (ca), dan thal, serta satu target biner yang menunjukkan ada/tidaknya penyakit jantung. Proses penelitian meliputi pemuatan dataset dan eksplorasi awal, dilanjutkan pra-pemrosesan data, inisialisasi SVM, iterasi kernel, pelatihan model, prediksi pada data uji, serta evaluasi performa. Seluruh kernel dituning secara konsisten menggunakan GridSearchCV guna memperoleh konfigurasi optimal. Hasil evaluasi menunjukkan bahwa kernel polynomial memberikan performa terbaik dengan akurasi 88,52% dan F1-score 89%. Dengan demikian, kernel polynomial dinilai sebagai pilihan paling optimal untuk klasifikasi penyakit jantung menggunakan metode SVM
Co-Authors Magdalena Ariance Ineke Pakereng