DETAIL KOLEKSI

Prediksi pasien terkena penyakit jantung menggunakan metode support vector machine

1.8


Oleh : Alya Shafa Nadia

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2024

Pembimbing 1 : Dedy Sugiarto

Pembimbing 2 : Abdul Rochman

Subyek : Support vector machines - heart diseases

Kata Kunci : prediction, risk, heart disease, machine learning, support vector machine

Saat ini file hanya dapat diakses dari perpustakaan.

Status : Lengkap

P enelitian ini bertujuan untuk mengembangkan model prediksi menggunakan algoritma Machine Learning, khususnya Support Vector Machine (SVM), untuk memprediksi kemungkinan pasien terkena penyakit jantung. Metodologi penelitian ini melibatkan pengumpulan data klinis dari pasien menggunakan Heart Statlog Dataset yang memiliki 270 data. Data tersebut dipisah menjadi 80% data latih, yaitu 216 data dan 20% data uji, yaitu 54 data. Hasil riset menunjukkan bahwa model SVM mampu memprediksi tingkat risiko penyakit jantung pada pasien dengan akurasi 90.7%. Hasil dari penelitian ini memberikan kontribusi penting dalam mendukung upaya pencegahan dini penyakit jantung dengan memberikan sistem yang dapat membantu tenaga medis dalam mengidentifikasi pasien yang memiliki risiko tinggi.

T his research aims to develop a predictive model using Machine Learning algorithms, specifically the Support Vector Machine (SVM), to predict the likelihood of patients contracting heart disease. This research methodology involves collecting clinical data from using the Heart Statlog Dataset, which consists of 270 data points. This data is divided into 80% training data, comprising 216 data points, and 20% testing data, comprising 54 data points. The research results indicate that the SVM model can predict the risk level of heart disease in patients with an accuracy of 90.7%. The findings of this research make a significant contribution to supporting early prevention efforts for heart disease by providing a system that can assist medical professionals in identifying patients at high risk.

Bagaimana Anda menilai Koleksi ini ?