Literatur Review: Klasifikasi Penyakit Jantung Menggunakan Metode Support Vector Machine (SVM)
Keywords:
Penyakit Jantung, Klasifikasi, Support Vector Machine (SVM), Machine Learning, Diagnosis OtomatisAbstract
Penyakit jantung menjadi penyebab utama kematian di seluruh dunia. Oleh karena itu, diagnosis penyakit jantung dini sangat krusial untuk menurunkan risiko komplikasi dan meningkatkan prospek pemulihannya. Tujuan dari penelitian ini adalah membuat model penyakit jantung berbasis Support Vector Machine yang efektif dan akurat. Alasan pemilihan metode SVM adalah karena metode ini efektif mengklasifikasikan data yang kompleks dan memiliki keakuratan yang tinggi dengan ukuran data yang dibatasi. Penelitian ini menggunakan beberapa variabel klinis termasuk tekanan darah, kolesterol, pola jantung, dan kami menggambarkan beberapa variabel lainnya dalam beberapa variabel lanjutan. Metode validasi silang diterapkan di model kami untuk membandingkan model kami dalam data uji sehingga tingkat akurasi, sensitivitas, dan spesifisitas optimal diperoleh. Berdasarkan hasil klasifikasi variabel menggunakan SVM, model SVM memiliki performa yang unggul dalam pengklasifikasi pasien penyakit jantung yang berpotensi terkena penyakit jantung dengan tingkat akurasi lebih dari 90%. Hasil penelitian menyimpulkan bahwa SVM merupakan metode yang lebih cepat dan akurat yang dapat dijadikan sebagai suatu alat untuk mendukung diagnosis penyakit jantung di dalam suatu pengaturan klinis.
References
Jain, A. Chandra Sekhara Rao, P. Kumar Jain dan Y.-C. Hu, "Contoh Model-
Prediksi penyakit jantung yang dioptimalkan secara langsung menggunakan kerangka CNN dalam aplikasi data besar,” Expert Syst Appl , vol. 223, hal. 119859, Agustus 2023, doi: 10. 1016/h. Jadi itu saja untuk tahun 2023. 119859.
D. Ismafillah, T. Rohana dan Y. Cahyana, “Implementasi mesin support vector dan
model regresi logistik untuk prediksi stroke", Journal of Computer Research), vol. 10, no. 1, hal. 2407-389, 2023, dui: 10.30865/sampel. v10i1. 5478.
K.Tn, S.C.P., M.S, A. Kodipalli, T. Rao, dan S. Kamal, “Peramalan kemungkinan
serangan jantung dini menggunakan pembelajaran mesin", pada Konferensi Internasional ke-2 tentang Inovasi Teknologi (INOCON) tahun 2023, IEEE, Maret 2023, hlm. 1-5. doi: 10. 1109/INOCON57975. 2023. 10100993.
Hernanto, P.adalah Amin, H. (2022). “Pemilihan fitur pada klasifikasi penyakit
jantung dengan SVM pada data rumah sakit”. Saputra, F. dan Indah, S. (2023). "Deteksi penyakit jantung menggunakan mesin vektor pendukung dan pengaruh outlier terhadap akurasi model".
M. Rizwan, S. Arshad, H.Aijaz, RA Khan et M.Z. U. Haque, “Prediksi serangan
jantung menggunakan pendekatan pembelajaran mesin", pada Konferensi Internasional Ketiga tentang Tren Terkini dalam Teknik Elektro dan Teknologi Komputer (INTELLECT) tahun 2022, IEEE, November 2022, hlm. 1-8. doi: 10. 1109/ INTELLECT55495. Nomor telepon 2022-9969395.
J.N., D.P., M. E, R. Santhosh, R. Reshma et D. Selvapandian,"Prediksi serangan
jantung menggunakan pembelajaran mesin," dalam Konferensi Internasional ke-4 tentang Penelitian Inventif dalam Aplikasi Komputer (ICIRCA) 2022, IEEE, September 2022, hal. 854-860. doi: 10.1109/ICIRCA54612. 2022. 9985736.
N. Nandal, L. Goel dan R. TANWAR, "Prediksi serangan jantung berbasis
Pembelajaran Mesin: Metode Prediksi Gejala Serangan Jantung dan Analisis Eksploratori," F1000Res, vol. 11, hlm. 1126, September 2022, doi: 10. 12688/f1000peneliciano. 123776.1.
C. B.Sonjaya, A.Fitri, N.Masruriyah, D.S. Kusumaningrum danA.R.“Perbandingan
Kinerja Algoritma Klasifikasi Deteksi Penyakit Jantung”, INTERNAL (Jurnal Sistem Informasi, vol. 5, no. 2, hal. 166–175, 2022, doi: 10. 32627.
D.A.Muhamedi, R. Emril dan M. Siregar,“Penerapan algoritma K-nearest Tetangga
dalam Prediksi Kematian Akibat Gagal Jantung”, vol. III, no. 1, 2022, [Berlangganan]. Lihat di: https://www. kaggle.com/andrewmvd/data-klinis-gagal-jantung.
M. M. Ali, B. K. Paul, K. Ahmed, FM Por, J. MW Quinn dan MA Moni,
“Prediksipenyakit jantung menggunakan algoritma pembelajaran mesin: analisis dan perbandingan kinerja," Comput Biol Med, vol. 136, hal. 104672, September 2021, doi : 10. 1016/jam. diatur. 2021.104672.
Rosyani Perani, dkk., Menggunakan YOLO dalam deteksi objek: Tinjauan
Literatur Sistematika, Jurnal AI dan SPK: Jurnal Kecerdasan Buatan dan Sistem Pendukung Keputusan, Volume 1, No. 1 Juni 2023.
Rosyani Perani, dkk, Tinjauan literatur sistematis: sistem diagnostik pakar Pasien
gigi menggunakan metode string biner langsung: Jurnal Ilmu Komputer, Teknik dan Multimedia, Volume 1, No. 1 April 2023.
Nugroho Agung Fajar, dkk, DAMPAK VIDEO PENDIDIKAN
KESEHATANTENTANG ASUHAN KEPERAWATAN HIPERTENSI TERHADAP TINGKAT PENGETAHUAN HIPERTENSI PADA TAHAP PENDIDIKAN, Journal of Nursing Sciences (NSJ), volume 4, edisi Desember 2022.
Syafii Abdullah, Wasis Haryono, APLIKASI PEMROGRAMAN
EKSTRIMDALAM PEMBANGUNAN GAME EDUKASI ASMAUL HUSNA, SIFAT ALLAH DAN NAMA NABI MENGGUNAKAN APLIKASI CONSTRUCT 2, Journal of Artificial Intelligence. Penerbangan 3, tidak. 1 Februari 2022.
Zakiria Hadi, dkk, menggunakan APLIKASI MICROSOFT EXCEL GUI
SEBAGAI ALAT BELAJAR PEMBUATAN DATABASE, AMMA: Jurnal Pengabdian Masyarakat, Volume 1, No. 2 Maret (2022).
