PENERAPAN DATA MINING DALA MENGKLASIFIKASI RESIKO PENYAKIT STROKE MENGGUNAKAN METODE MACHINE LEARNING

 Sitti Nurfatimah Bakari, Alter Lasarudin, Wahyudin Hasyim

Abstract


Stroke adalah kondisi saraf yang ditandai dengan tanda klinis yang berkembang pesat, termasuk gangguan saraf lokal dan global yang parah, bertahan selama 24 jam atau lebih, dan berakibat fatal ketika tidak ada penyebab yang jelas selain vaskular. Penelitian ini bertujuan untuk menerapkan algoritma Support Vector Machine (SVM) dan Artiticial Neural Network (ANN) untuk mengklasifikasi risiko penyakit stroke dan mengukur tingkat akurasi dari masing-masing algoritma. Hasil penelitian menggunakan algoritma Support Vector Machine dan Artiticial Neural Network dengan jumlah record data 200 maka akan diperoleh nilai akurasi Support Vector Machine sebesar 97.46%, dan tingkat akurasi Artiticial Neural Network sebesar 98.75%. Paling algoritma Artificial Neural Network mendapatkan nilai akurasi yang tertinggi dibandingkan algoritma Support Vector Machine dalam pengklasifikasian data risiko penyakit stroke.


Keywords


Classification, Stroke Risk Based on Risk Factors, Support Vector Machine, Artificial Neural Network

Full Text:

PDF

References


R. A. Saputra et al., “Detecting Alzheimer’s Disease by the Decision Tree Methods Based on Particle Swarm Optimization,” J. Phys. Conf. Ser., vol. 1641, no. 1, pp. 61–67, 2020, doi: 10.1088/1742-6596/1641/1/012025.

Y. Azhar, A. K. Firdausy, and P. J. Amelia, “Perbandingan Algoritma Klasifikasi Data Mining Untuk Prediksi Penyakit Stroke,” vol. 5, no. 2, pp. 191–197, 2022.

R. Pratama, M. I. Herdiansyah, D. Syamsuar, and A. Syazili, “Prediksi Customer Retention Perusahaan Asuransi Menggunakan Machine Learning,” vol. 12, pp. 96–104, 2023.

F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.

A. Jalil, A. Homaidi, and Z. Fatah, “Implementasi Algoritma Support Vector Machine Untuk Klasifikasi Status Stunting Pada Balita,” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 2070–2079, 2024, doi: 10.33379/gtech.v8i3.4811.

S. Kasus, “Perbandingan Metode Support Vector Machine ( SVM ) dan Artificial Neural Network ( ANN ) pada Klasifikasi Gizi Balita,” pp. 1036–1043, 2021.

N. R. Muntiari and K. H. Hanif, “Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning,” vol. 3, no. 1, pp. 1–6, 2022.

M Riski Qisthiano, “Klasifikasi Terhadap Prediksi Kelulusan Mahasiswa Dengan Menggunakan Metode Support Vector Machine (Svm),” Semin. Nas. Teknol. dan Multidisiplin Ilmu, vol. 2, no. 2, pp. 203–207, 2022, doi: 10.51903/semnastekmu.v2i1.170.

N. K. Maulidia, “Penerapan artificial neural network pada proses klasifikasi curah hujan di Jawa Tengah,” 2023, [Online]. Available: http://etheses.uin-malang.ac.id/id/eprint/58140

K. Indeks, P. Manusia, I. P. M. Di, M. Fathurrahman, and N. Qisthi, “Sumatera Pada Dataset Multi-Class Dengan Metode Artificial Neural Network ( Ann ),” vol. 0, pp. 377–384, 2021.

M. I. Abas and I. Ibrahim, “Optimasi Support Vector Machine Particle Swarm Optimization Untuk Prediksi Konsumsi Energi Listrik,” Jambura J. Informatics, vol. 1, no. 2, pp. 47–56, 2019, doi: 10.37905/jji.v1i2.2646.


DOI: http://dx.doi.org/10.31314/juik.v5i2.4186

Article metrics

Abstract views : 344 | views : 209

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Jurnal Ilmu Komputer (JUIK)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.