Comparison Performance of K-NN and NBC Algorithm for Classification of Heart Disease
Perbandingan Kinerja Algoritma K-NN dan NBC Untuk Klasifikasi Penyakit Jantung
Abstract
Abstrak – Penyakit jantung (Heart Disease) adalah salah satu penyakit yang banyak diderita oleh masyarakat Indonesia, pada tahun 2018 tercatat 1,5% orang yang mengidap penyakit jantung sesuai diagnosa dokter. Dengan banyaknya kasus yang telah terjadi maka dilakukanlah penelitian ini dengan tujuan mengimplementasikan algoritma untuk membantu mengklasifikasikan apakah seseorang berpotensi mengidap penyakit jantung atau tidak. Algoritma yang akan digunakan adalah K-Nearest Neighbor (KNN) dan Naïve Bayes Classifier (NBC). Akurasi dari kedua algoritma tersebut akan dibandingkan, sehingga dapat diketahui algoritma mana yang lebih baik dalam mengklasifikasikan penyakit jantung. Hasil akhir yang diperoleh menunjukkan bahwa algoritma NBC memiliki tingkat akurasi yang lebih tinggi yaitu 86,17%, sedangkan K-NN memiliki tingkat akurasi sedikit lebih rendah yaitu 85,11%. Dengan mengimplementasikan algoritma K-NN dan NBC menggunakan data set heart disease dapat digunakan untuk membantu mengetahui apakah seseorang dapat diklasifikasikan menghidap penyakit jantung atau tidak, serta dengan membandingkan akurasi kedua algoritma tersebut dapat diketahui algoritma mana yang dinilai lebih baik dalam menangani kasus klasifikasi penyakit jantung.
References
[2] A. Novandya, “Penerapan Algoritma Klasifikasi Data Mining C4.5 pada Dataset Cuaca Wilayah Bekasi,” KNiST, pp. 368–372, 2017.
[3] R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” J. Edukasi dan Penelit. Inform., vol. 5, no. 2, p. 157, 2019, doi: 10.26418/jp.v5i2.32473.
[4] M. A. Maricar and Dian Pramana, “Perbandingan Akurasi Naïve Bayes dan K-Nearest Neighbor pada Klasifikasi untuk Meramalkan Status Pekerjaan Alumni ITB STIKOM Bali,” J. Sist. dan Inform., vol. 14, no. 1, pp. 16–22, 2019, doi: 10.30864/jsi.v14i1.233.
[5] R. N. Devita, H. W. Herwanto, and A. P. Wibawa, “Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 427, 2018, doi: 10.25126/jtiik.201854773.
[6] H. M. Nawawi, J. J. Purnama, and A. B. Hikmah, “Komparasi Algoritma Neural Network Dan Naïve Bayes Untuk Memprediksi Penyakit Jantung,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 189–194, 2019, doi: 10.33480/pilar.v15i2.669.
[7] M. Rifal and N. Sinaga, “Kaji Eksperimental Rasio Metanol-Bensin Terhadap Konsumsi Bahan Bakar, Emisi Gas Buang, Torsi Dan Daya,” Gorontalo J. Infrastruct. Sci. Eng., vol. 1, no. 1, p. 47, 2018, doi: 10.32662/gojise.v1i1.140.
[8] Z. A. Hasibuan, “Metodologi Penelitian Pada Bidang Ilmu Komputer Dan Teknologi Informasi,” Konsep, Tek. Dan Apl., no. Universitas Indonesia, p. 194, 2007.
[9] L. Wijaya and N. A. Pratiwi, “Penerapan Algoritma K-Means Untuk Pendataan Obat Berdasarkan Laporan Bulanan Pada Dinas Kesehatan Kabupaten Lombok Timur Pendahuluan berbagai manusia bidang dan terutama bidang dengan jenis dan jumlah yang mencukupi sehingga obat dapat diperoleh dengan ce,” vol. 3, no. 2, pp. 64–73, 2020.
[10] J. Miharja, P. S. Informatika, F. Teknik, and U. Majalengka, “Proceeding SENDIU 2021 PENERAPAN DATA MINING PENERIMAAN KARYAWAN MENGGUNAKAN METODE,” pp. 978–979, 2021.
[11] T. Barat, J. J. Selatan, and C. Matrix, “Analisa Particle Swarm Optimization Terhadap Kepuasan,” pp. 143–148, 2020.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
.png)
.png)
