Literatur Riview: Klasifikasi Penyakit Jantung Menggunakan Metode Support Vektor Machine (SVM)
Keywords:
Penyakit Jantung, Penggunaan Metode Support Vector Machine (SVM) Untuk KlasifikasiAbstract
Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, dan untuk mendiagnosis atau mengklasifikasikan kondisi penyakit jantung dengan akurat, berbagai metode statistik dan machine learning telah digunakan. Salah satu metode yang populer dalam klasifikasi penyakit jantung adalah Support Vector Machine (SVM). Dalam konteks ini, Support Vector Machine (SVM) adalah sebuah algoritma pembelajaran mesin yang digunakan untuk klasifikasi data, termasuk dalam bidang medis seperti klasifikasi penyakit jantung. SVM bekerja dengan memetakan data ke dalam ruang dimensi yang lebih tinggi dan menemukan hyperplane yang optimal untuk memisahkan kelas-kelas data yang berbeda. SVM sangat efektif dalam menangani masalah klasifikasi yang kompleks, terutama ketika data memiliki banyak dimensi atau fitur.
References
Chaurasia, V., & Pal, S. (2013). Data Mining Approach to Detect Heart Diseases. International Journal of Advanced Computer Science and Applications.
Kumari, S., & Godara, S. (2014). Comparative Study of Data Mining Classification Methods in Cardiovascular Disease Prediction. International Journal of Computer Applications.
Patel, J., Tejal, S., et al. (2015). Predictive Modeling of Heart Disease Using Support Vector Machine. Procedia Computer Science.
Eligius Transparan Putra Zebua, & Perani Rosyani. (2024). Perancangan Deteksi Objek Kendaraan Bermotor Berbasis OpenCV Python menggunakan Metode HOG-SVM untuk Analisis Lalu Lintas Cerdas. AI Dan SPK : Jurnal Artificial Intelligent Dan Sistem Penunjang Keputusan, 2(1), 16–26.
Andrian, Benedictus Geovanda Sihombing, Novriyansah Ramadhan Al-Fiqri, & Sulisto Fajar Utomo. (2024). Literatur Review: Klasifikasi Penyakit Jantung Menggunakan Metode Support Vector Machine (SVM) EVALUASI KINERJA METODE SUPPORT VECTOR MACHINE (SVM), NAIVE BAYES DAN DECISION TREE UNTUK DIAGNOSA PENYAKIT JANTUNG Oleh SENDY HANI PRAMITA.
Bharti, Rohit, Aditya Khamparia, Mohammad Shabaz, Gaurav Dhiman, Sagar Pande, and Parneet Singh. 2021. “Prediction of Heart Disease Using a Combination of Machine Learning and Deep Learning.” Computational Intelligence and Neuroscience 2021:1–11. doi: 10.1155/2021/8387680.
PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINES (SVM) DAN NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT JANTUNG Muhammad Dion Febrian Tino1 , Herliyani Hasanah2 , Tri Djoko Santosa3 1,2,3Teknik Informatika, Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta.
Dinar, Ahmed M., Mohd Zain, and F. Salehuddin. 2018. Utilizing Of Cmos Isfet Sensors In DNA Applications Detection: A Systematic Review. Vol. 10. Diwakar, Manoj, Amrendra Tripathi, Kapil Joshi, Minakshi Memoria, Prabhishek Singh, and Neeraj kumar. 2021. “Latest Trends on Heart Disease Prediction Using Machine Learning and Image Fusion.” Materials Today: Proceedings 37:3213–18. doi: 10.1016/j.matpr.2020.09.078.
Elhoseny, Mohamed, Mazin Abed Mohammed, Salama A. Mostafa, Karrar Hameed Abdulkareem, Mashael S. Maashi, Begonya Garcia-Zapirain, Ammar Awad Mutlag, and Marwah Suliman Maashi. 2021. “A New Multi-Agent Feature Wrapper Machine Learning Approach for Heart Disease Diagnosis.” Computers, Materials & Continua 67(1):51–71. doi: 10.32604/cmc.2021.012632.
Haq, Amin Ul, Jian Ping Li, Muhammad Hammad Memon, Shah Nazir, and Ruinan Sun. 2018. “A Hybrid Intelligent System Framework for the Prediction of Heart Disease Using Machine Learning Algorithms.” Mobile Information Systems 2018:1–21. doi: 10.1155/2018/3860146.
Hasan, Tabreer T., Manal H. Jasim, and Ivan A. Hashim. 2018. “FPGA Design and Hardware Implementation of Heart Disease Diagnosis System Based on NVG-RAM Classifier.” Pp. 33–38 in 2018 Third Scientific Conference of Electrical Engineering (SCEE). IEEE.
Janosi, Andras, Steinbrunn, William, Pfisterer, Matthias, and Robert Detrano. 1988. Heart Disease. Javid, Irfan, Ahmed Khalaf, and Rozaida Ghazali. 2020. “Enhanced Accuracy of Heart Disease Prediction Using Machine Learning and Recurrent Neural Networks Ensemble Majority Voting Method.” International Journal of Advanced Computer Science and Applications 11(3). doi: 10.14569/IJACSA.2020.0110369
