Performa Algoritma K-Nearest Neighbour dalam Memprediksi Penyakit Jantung


Abstract
Penyakit jantung telah terbukti sebagai salah satu penyebab utama kematian di seluruh dunia, inilah alasan utama mengapa prediksi Penyakit jantung akurat yang memiliki risiko sangat penting untuk mencegah dan mengobatinya. Diagnosis CHF (Gagal Janjtung Kongesif) yang tepat waktu sangat penting untuk menghindari bahaya yang membahayakan nyawa acara. Terlepas dari ketepatan waktu, akurasi memainkan peran yang luar biasa peran penting dalam domain medis karena terkait dengan kehidupan seseorang.. Penyakit Jantung telah terbukti sebagai salah satu penyebab utama kematian, itulah sebabnya prediksi risiko penyakit jantungyang akurat dan tepat waktu sangat penting. Metode klinis, misalnya angiografi cara terbaik dan paling efektif untuk mendiagnosis penyakit jantung, penelitian menunjukkan bahwa itu tidak hanya mahal tetapi juga memiliki efek samping. Maka penulis melakukan penelitian terhadap pengujian data dari dataset Heart Disease dengan melakukan pengujian terhadap akurasi data confusion matrix dengan menggunakan metode K-nearest Neighbour yang menghasilkan akurasi sebesar 81.31% dengan Classification Error sebesar ,
References
[2] Gou, J., Yi. Z., Du. L. & Xiong, T. January 2012. A Local Mean-Based k-Nearest Centroid Neighbor Classifier. The Computer Journal 55(6) : pp. 1058-1071.
[3] J. Wassan, H. Wang and H. Zheng. 2018. Machine Learning in Bioinformatics. Encyclopedia of Bioinformatics and Computational Biology, vol. 1, pp. 300-308, 2018.
[4] Pan, Z., Wang, Y. & Ku, W. September 2016. A New K-Harmonic Nearest Neighbor Classifer Based On The Multi-Local Means. Expert Systems With Applications 67: 115-125.
[5] Mahajan, R. et al. 2017. Improved detection of congestive heart failure via probabilistic symbolic pattern recognition and heart rate variability metrics. International Journal of Medical Informatics. 108, (2017), 55-63.
[6] Puspito, Toto, Andri. 2017. Menentukan Pilihan Sekolah didalam Penerimaan Peserta Didik Baru Dengan Menggunakan Metode Naive Bayes dan K-Nearest Neighbor (Studi Kasus: PPDB Online Jenjang SMP Kota Metro). Jurnal Informatika, Volume. 17, No.1.pp.49-59.
[7] Purushottam et al. 2016. Efficient Heart Disease Prediction System. Procedia Computer Science. 85, (2016), 962-969.
[8] Raviya, K.H. & Gajjar, B., 2013. Performance Evaluation of Different Data Mining Classification Algorithm Using WEKA. Indian Journal of Research, II(1).
[9] Sahu, H., Shrma, S. & Gondhalakar, S., 2011. A Brief Overview on Data Mining Survey. International Journal of Computer Technology and Electronics Engineering, 1(3), pp.114-21.
[10] T. Setiyori, “Penerapan Information Gain pada K-Nearest Neighbor untuk Klasifikasi Tingkat Kognitif Soal pada Taksonomi Bloom,” J. Sist. Inf., vol. 6, Feb. 2017.