Jurnal Teknik Elektro Vol. 14 No.

1 2022 P-ISSN 1411-0059 | E-ISSN 2549-1571

Studi Literatur Metode Kecerdasan Buatan Dalam Melakukan

Diagnosa Penyakit Jantung
Muhammad Makhdum Syadidan, Afif Ahmad Aprilian, Aryuda Dicky Pratama
Fakultas Teknologi Industri, Universitas Islam Indonesia
Jl. Kaliurang KM 14,5 , Krawitan, Umbulmartani, Kec. Ngemplak, Kabupaten Sleman
Daerah Istimewa Yogyakarta, 55584, Indonesia
*
Corresponding author. Email: 19524053@students.uii.ac.id , 20524176@students.uii.ac.id ,
20524082@students.uii.ac.id

Abstrak— Pada bidang biomedis, kemajuan teknologi sangat dirasakan dan mampu mempermudah proses diagnosa
maupun pengelompokkan sebuah masalah. Salah satu dampak kemajuan teknolgi yaitu adanya penemuan
kecerdasan buatan yang dapat diprogram dengan tujuan yang diinginkan. Pada penggunaannya dibidang biomedis,
kecerdasan merupakan sebuah program atau sistem yang membantu para ahli untuk memecahkan sebuah
permasalhan yang diderita oleh seorang pasien. Salah satu contoh penggunaan kecerdasan buatan di bidang biomedis
adalah proses diagnosa penyakit jantung dengan menggunakan bermacam metode. Pada studi literatur ini
disimpulkan bahwa terdapat dua jenis tipe metode kecerdasan buatan yaitu metode Supervised Learning dan Metode
Unsupervised Learning. Pada metode Unsupervised Learning metode terbaik yang didapatkan adalah K-Means
Clustering dengan nilai akurasi rata-rata sebesar 79%. Pada Supervised Learning metode terbaik yang didapatkan
adalah metode Artificial Neural Network dengan nilai akurasi rata-rata sebesar 94,90%.
Kata kunci— Biomedis; Unsupervised Learning; Supervised Learning
I. PENDAHULUAN penyakit jantung[2]. Total kematian ini merupakan
Pada bidang biomedis, kemajuan teknologi sangat data kematian yang besar. Total kematian ini terdiri
dirasakan dan mampu mempermudah proses diagnosa dari banyak kalangan, bukan hanya segi umur, tetapi
maupun pengelompokkan sebuah masalah. Salah satu segi ekonomi dan sebagainya. Melihat data ini, terlihat
dampak kemajuan teknolgi yaitu adanya penemuan bahwa penyakit jantung bukan hal yang dapat
kecerdasan buatan yang dapat diprogram dengan tujuan disepelekan. Penggunaan kecerdasan buatan untuk
yang diinginkan. Kecerdasan buatan ini merupakan mendeteksi penyakit jantung memberikan kemudahan
sebuah metode yang ditujukan untuk masalah tertentu bagi para ahli dan juga penderita.
seperti permasalahn yang ada pada manusia yaitu Penyakit jantung dapat diderita oleh semua orang.
pengenalan pola, pemecahan masalah, dan pembelajaran Salah satu contoh terjadi pada pesepakbola professional
[1]. Pada penggunaannya dibidang biomedis, kecerdasan Christian Eriksen dalam ajang Euro Cup 2020 [3].
merupakan sebuah program atau sistem yang membantu Eriksen mengalami serangan jantung saat pertandingan
para ahli untuk memecahkan sebuah permasalhan yang berlangsung. Kejadian ini membuat seluruh pecinta
diderita oleh seorang pasien. Salah satu contoh sepakbola kaget, karena seorang atlet profesional saja
penggunaan kecerdasan buatan di bidang biomedis dapat terkena penyakit jantung. Dalam kasus ini,
adalah proses diagnosa penyakit jantung dengan kecerdasan buatan dapat berperan dalam proses
menggunakan bermacam metode. Metode yang pemeriksaan pemain sebelum bermain. Kecerdasan
digunakan merupakan sebuah metode dengan algoritma buatan ini dapat digunakan untuk memperpendek waktu
tertentu yang telah dikemukakan para ahli. Tiap metode dan juga dapat dilakukan dengan jumlah orang yang
dari kecerdasan memiliki algoritma tersendiri dan banyak. Jika dilakukan oleh para ahli langsung, maka
memiliki kelebihan serta kekurangannya masing-masing pertandingan tidak dapat berlangsung sesuai jadwal
dalam memecehkan sebuah permasalahan tertentu. ataupun terlalu banyak memakan waktu pertandingan.
Pemilihan penyakit jantung pada studi literatur ini Dengan adanya kecerdasan buatan, pemeriksaan
dikarena penyakit jantung merupakan sebuah penyakit penyakit jantung dapat digunakan agar kondisi para
yang sangat banyak diderita oleh myarakat. pemain dapat diketahui dengan waktu yang cepat dan
Berdasarkan data 2022 di kompas.com, diketahui juga dapat dilakukan untuk semua pemain
bahwa 18,6 juta orang menjadi korban kematian akibat

Received 12 April 2022, Accepted 22 June 2022, Published 27 June 2022.

DOI: https://doi.org/10.15294/jte.v14i1.36108
10
 11
II. METODE
Studi literatur merupakan sebuah metode untuk
melakukan review dari beberapa hasil jurnal yang telah
dilakukan oleh peneliti sebelumnya. Metode ini
dilakukan dengan berbagai proses seperti penilianm
identifikasi, dan penafsiran dari metode kecerdasan
buatan yang diteliti pada jurnal tersebut [4]. Literatur
review ini bertujuan untuk mencari jawaban terbaik dari
beberapa metode kecerdasan buatan dalam melakukan
diagnosa penyakit jantung pada seseorang. Dalam
melakukan literatur review ini dilakukan beberapa
tahapan yang sistemtis yaitu perencanaan pelaksanaan,
dan pelaporan tinjuan pustaka. Pada tahapan
perencanaan, dilakukan pengumpulan studi pustaka dari
beberapa jurnal dengan tema yang sama yaitu sistem
kecerdasan buatan untuk melakukan diagnosa penyakit
jantung. Pengumpulan studi pustaka dilakukan sebanyak
mungkin, sampai data yang diinginkan telah terpenuhi.
Pada tahapan pelaksanaan, dilakukan proses review tiap
jurnal dari studi pustaka untuk mengetahui metode,
proses, dan hasil yang didapatkan pada jurnal tersebut.
Pada tahap ini juga, dilakukan pengecekan dari
pertanyaan penelitian, startegi penelitian, dan proses
komparasi yang dilakukan. Selanjutnya, pada tahapan ini
dilakukan proses untuk melakukan pengecekan terhadap
studi pustaka yang digunakan ataupun yang tidak
digunakan. Pada tahapan pelaporan, dilakukan kegiatan
untuk melaporkan hasil review dari tiap jurnal, kemudian
dikomparasi dengan jurnal yang lain dengan catatan
metode yang digunakan masih sama.
III. HASIL DAN PEMBAHASAN
Kecerdasan buatan memberikan banyak kemudahan
dalam segala bidang termasuk dalam bidang kesehatan.
Pada bidang kesehatan, kecerdasan buat memberikan
kemudahan kepada para ahli untuk membantu
mendiagnosa sebuah penyakit yang diderita oleh
seseorang. Adanya kecerdasan buatan di bidang
kesehatan juga dapat meningkatkan efisiensi waktu
dalam hal pemeriksaan dan lain sebagainya.
Jurnal Teknik Elektro Vol. 14 No. 1 2022
Meningkatnya efisiensi waktu dapat memberikan
kenyamanan kepada pasien karena mereka tidak perlu
antri berjam-jam untuk melakukan pemeriksaan. Hal ini
juga akan berdampak pada kualitas pelayanan tenaga
kesehatan yang akan semakin meningkat.
Salah satu pengaplikasian kecerdasan buatan di
bidang kesehatan adalah sistem pendeteksi penyakit
jantung pada seseorang. Sistem pendeteksi penyakit
jantung ini dapat dirancang dengan berbagai macam
metode yang ada dalam konsep kecerdasan buatan.
Namun, masing-masing metode memiliki kekurangan
dan kelebihan yang bervariatif. Perancangan sistem
pendeteksi jantung dilakukan dengan melatih sistem
menggunakan dataset yang tersedia di internet seperti
pada Kaggle.com dan lain sebagainya. Pelatihan dengan
dataset yang dimaksud adalah pelatihan menggunakan
dataset dari penderita penyakit jantung. Hal ini ditujukan
untuk mengenalkan sistem bahwa ketika data yang
masuk pada sistem nanti sama dengan data training maka
itu dapat dikonversi menjadi hasil yang berkesesuaian.
Dalam menentukan metode yang tepat, dilakukan studi
literatur dengan beberapa jurnal yang berkesesuaian
maka didapat hasil sebagai berikut.
Pada studi literatur ini, terdapat dua metode yang
didapatkan yaitu metode unsupervised learning dan
supervised learning. Metode unsupervised merupakan
metode yang digunakan untuk mengelompokkan
penyakit jantung berdasarkan data yang diperoleh.
Sedangkan metode supervised learning merupakan
metode yang digunakan untuk mendiagnosa penyakit
jantung pada seseorang.
Dalam melakukan studi literatur, tiap jurnal
memiliki kelebihan dan kekurangan dalam proses
penelitian. Kelebihan ini dapat dijadikan patokan
sebagai landasan untuk melakukan penelitian.
Sedangkan kekurangan dari jurnal dapat dijadikan bahan
evaluasi agar pada penelitian selanjutnya kekurangan
yang dimiliki jurnal dapat diperbaiki. Kekurangan dan
kelebihan tiap jurnal pada metode Supervised Learning
terdapat pada tabel 1.
11
Tabel 1 Kelebihan dan Kekurangan Jurnal Supervised Learning
Judul Kelebihan
[5] Terdapat proses pemisahan data training dan data
testing saat pembacaan data sehingga akurasi sistem
dapat meningkat.
[6] Peniliti terlebih dahulu menghitung nilai error sistem
berdasarkan dataset yang ada, sehingga nilai akurasi
yang dihasilkan merupakan nilai akurasi terbaik.
[7] Sistem mampu mengenali data yang belum dilatih
dengan akurasi sebesar 87,04% dengan menggunakan
metode time-frequency.
[8] Mampu meningkatkan akurasi dengan melakukan
pengolahan data terlebih dahulu. Data yang diolah
merupakan data yang memiliki kemiripan dengan
memberikan nilai (atribut) tertentu untuk menunjukkan
bahwa data yang mirip tersebut adalah data yang
berbeda.
[9] Peneliti menambahkan fitur preprocessing yang
berguna untuk menghilang data-data noisy atau
redudansi sehingga nilai akurasi yang dihasilkan bisa
maksimal.
[10] Peniliti sebelum menggunakan sistem pakar yang sudah
jadi, terlebih dahulu membentuk himpunan fuzzy, hal
ini bertujuan agar hasil sistem pakar yang sudah jadi
mampu diterjemahkan dan dipahami oleh peneliti.
[11] Sistem tetap bisa membaca sinyal EKG walaupun
penempatan posisi elektroda kurang baik dengan
memanfaatkan gelombang PQRST.
[12] Peneliti mampu menggabungkan metode Artificial
Neural Network, Support Vector machine, Naïve
Bayes, dan K-Neasrest Neighbor sehingga
mendapatkan algoritma sistem yang efisien serta hasil
akurasi yang maksimal.
[13] Sistem mampu memprediksi penyakit jantung serta
penyebab terjadinya penyakit jantung pada pasien.
[14] Hasil dari data training terlebih dahulu divalidasi
dengan single decision treshold, sehingga akurasi yang
didapatkan adalah hasil akurasi sebenarnya.
[15] Data yang digunakan terlebih dahulu diolah pada
proses preprocessing untuk menghilangkan noisy serta
data hasil pengolahan divalidasi kembali, hal ini dapat
meningkatkan hasil akurasi yang maksimal.
[16] Peneliti meningkatkan akurasi dengan menggunakan
fungsi sigmoid biner (logsig). Selain itu penggunaan
fungsi ini juga bertujuan untuk mengurangi waktu
pengolahan data.
Jurnal Teknik Elektro Vol. 14 No. 1 2022
Kekurangan
Dataset yang dikumpulkan sebesar 304, namun
dari total tersebut hanya 61 data yang
digunakan. Jumlah 61 data yang digunakan
terlalu sedikit.
Jumlah iterasi yang terlalu banyak walaupun
hasil sebenarnya sudah terlihat pada iterasi ke
152.
Data training yang digunakan sangat sedikit
yaitu sebanyak 25 data. Sehingga ketika
melakukan pengetesan terdapat banyak data
yang tidak dikenali.
Pemberian atribut tertentu tidak dilakukan
pada metode Support Vector Machine padahal
dataset yang digunakan adalah dataset yang
sama dengan metode Naïve Bayes.
Data numerik dan data nomimal tidak
memiliki atribut tertentu sehingga pada proses
pengolahan sistem menganggap kedua data
tersebut adalah data yang sama.
Peneliti tidak mampu melakukan perubahan
sistem sehingga ketika hasil akurasi menurun
tidak ada tindak lanjut yang dilakukan peneliti
untuk memperbaiki nilai akurasi.
Penggunaan data latih yang terlalu sedikit
yaitu berjumlah 82 data.
Terdapat banyak dataset yang terbuang karena
tidak memenuhi standar dan sistem
memerlukan dataset yang sangat banyak ketika
proses training, hal ini akan mengurangi
efisiensi waktu pembacaan.
Data yang digunakan harus memiliki tiap
atribut yang dibutuhkan metode Certain Factor
sehingga tidak semua data dapat digunakan.
Panjang durasi data yang diambil secara acak
terlalu pendek yaitu 6 detik. Sedangkan data
yang tersedia sepanjang 2 menit per data.
Peniliti tidak mampu meningkatkan akurasi
padahal menggabungkan beberapa metode
seperti naïve bayes, support vector machine,
C.45, logistic regression, dan back
propagation.
Terdapat 60 data dari 170 data yang terbuang
karena tidak memenuhi atribut dari metode
yang digunakan. Sehingga data yang
digunakan berjumlah sedikit yaitu 110 data.
11 Jurnal Teknik Elektro Vol. 14 No. 1 2022
[17] Data citra yang digunakan terlebih dahulu diproses Data yang digunakan terlalu sedikit yaitu 30
pada pra pengolahan dengan tujuan untuk data.
meningkatkan kualitas data serta nomalisasi data.
Sehingga pada proses pengecekan data citra dapat
terbaca dengan baik. Data citra yang bagus
mengakibatkan akurasi pembacaan semakin maksimal.

Pada tabel 2 terlihat bahwa jurnal memiliki kekurangan
dan kelebihan masing-masing. Beberapa jurnal seperti
jurnal [5], [6], [7], [11], [16], dan [17] memiliki
kekurangan pada dataset yang digunakan. Dataset
memiliki jumlah yang sedikit. Penggunaan dataset yang
sedikit dapat berdampak pada nilai akurasi hasil
pembacaan sistem ketika dilakukan pengujian secara
langsung dengan data yang lebih beragam. Jumlah sedikit
dari dataset yang digunakan membuat nilai akurasi dari
hasil testing tidak dapat dijadikan patokan terhadap
akurasi pada saat dilakukan percobaan secara langsung.
Pada jurnal [15] juga terlihat bahwa penggabungan
beberapa metode tidak dapat dimanfaatkan peneliti untuk
meningkatkan nilai akurasi sistem dalam melakukan
pembacaan data. Hal ini menjadi suatu keterbalikan dari
tujuan penggabungan beberapa metode agar hasil dari
sistem yang dihasilkan adalah hasil yang maksimal. Selain
itu, pada jurnal [8] dan [9] terlihat baha kekurangan yang
dimiliki adalah tidak adanya pemberian atribut terlebih
dahulu pada data yang berbeda dengan kemiripan yang
cukup tinggi. Tidak adanya pemberian atribut yang jelas
membuat dataset yang digunakan akan dibaca sebuah data
yang sama, sehingga nilai akurasi pada sistem tidak
maksimal. Bukan hanya itu, pemberian atribut juga harus
dilakukan ketika dataset yang digunakan merupakan
dataset yang sama pada metode yang berbeda.
Penyamaratan ini bertujuan untuk sistem dengan metode
yang berbeda dapat bekerja secara maksimal. Sehingga
hasil penggunaan dataset yang sama dengan metode yang
berbeda dapat dikomparasi satu sama lain. Kekurangan
yang lain berdasarkan studi literatur ini adalah terdapat
beberapa pemilihan dataset yang kurang baik. Pemilihan
dataset yang kurang banyak menyebabkan beberapa
dataset harus terbuang secara sia-sia karena tidak
memenuhi standar metode yang digunakan.
Jurnal memiliki sisi kekurangan dan juga kelebihan
yang dapat dijadikan sebagai pedoman untuk sebuah
penelitian selanjutnya. Dari beberapa jurnal diketahui
bahwa penelitian menggunakan beberapa metode yang
berbeda. Penggunaan metode yang berbeda ini
memberikan sudut pandang dan pengetahuan yang
berbeda mengenai karakterisitik tiap metode. Penggunaan
banyak metode ini memudahkan peneliti selanjutnya
untuk memilih metode yang cocok dan sesuai dengan
tujuan penelitian yang akan dilakukan. salah satu contoh
penggunaan beberapa metode secara bersamaan adalah
jurnal [12], pada jurnal ini peneliti mampu memanfaatkan
keunggulan tiap metode sehingga didapatkan algoritma
yang efisien dan hasil akurasi yang tinggi. Dalam
meningkatkan nilai akurasi, beberapa peneliti juga
menambahkan tahapan preprocessing pada dataset yang
akan digunakan. Tahapan ini bertujuan untuk
menghilangkan noisy dan redudansi. Tahapan
preprocessing cukup memberikan efek yang cukup
signifikan pada akurasi karena dataset hasil tahapan ini
merupakan data sebenarnya sehingga sistem dapat bekerja
secara maksimal. Selain menambahkan tahapan
preprocessing, peneliti lain pada jurnal [7[ menggunakan
metode time-frequency. Penggunaan metode ini ditujukan
untuk data yang belum dilatih agar sistem dapat
melakukan analisa/prediksi. Metode ini terbukti berhasil
karena nilai akurasi dengan data yang belum dilatih
didapatkan nilai akurasi sebesar 87,04%. Selain segi
akurassi, peneliti pada jurnal [11] juga memanfaatkan
sebuah metode yaitu pembacaan sinyal PQRST.
Pembacaan sinyal PQRST ini dimanfaatkan oleh peneliti
agar ketika posisi penempatan elektroda tidak sesuai saat
pengukuran sinyal EKG, sinyal EKG masih tetap bisa
terbaca dan hasil tersebut adalah hasil yang maksimal
dengan beberapa komponen terbaik yang lain

Tabel 2 Studi Literatur dengan Metode Supervised Learning

Judul Metode Hasil

[5] Naïve Bayes, peneliti menggunakan dataset dari UCI Machine
learning yang kemudian di program menggunakan bahasa
Python dan library sklearn. Dataset berupa data heart disease
dengan jumlah 304 data dengan 13 fitur.
[6] Penggunaan algoritma logistic regression. Penelitian ini
Berdasarkan hasil yang didapatkan
dapat diketahui bahwa sistem yang
dirancang memiliki hasil nilai
keakuratan sebesar 85.25%.
Berdasarkan hasil yang didapatkan
11 Jurnal Teknik Elektro Vol. 14 No. 1 2022
menggunakan dataset yang diperoleh dari Kaggle.com. Dataset dapat diketahui bahwa sistem
ini adalah data dari Heart Disease UCI. Dataset memiliki 14 memiliki nilai sensitivity sebesar
atribut dengan jumlah dataset yang digunakan berjumlah 3030 88.54% pada data training dan
data pasien. 87.50% data testing.
[7] Klasifikasi sinyal EKG dilakukan dengan Artificial Neural Berdasarkan hasil yang didapatkan
Network (ANN) metode algoritma backpropagation ANN menunjukkan kinerja yang
baik dengan nilai sensitivitas 87%
dan nilai spesifisitas 95%.
[8] Penelitian ini menggunakan metode support vector machine Hasil akurasi pengolahan
dan naïve bayes dengan metode latih percentage split dan k-fold menggunakan Algoritma Naïve
cross validation.Data ini diambil dari website kaggle Bayes adalah sebesar 70% untuk
https://www.kaggle.com/datasets/ metode latih percentage split dan
sulianova/cardiovasculardisease-dataset. Data yang digunakan 71% untuk metode latih k-fold cross
ini terdiri dari 462 data pasien penyakit kardiovaskular berupa validation. Kemudian dengan
format csv. Data yang digunakan terdapat 10 atribut yang menggunakan algoritma support
digunakan untuk melakukan klasifikasi penyakit kardiovaskular vector machine didapat akurasi 61%
adalah tekanan darah sistolik, tembakau, kolesterol lipoprotein untuk metode latih percentage split
densitas rendah, adipositas, riwayat keluarga penyakit jantung, dan 65% untuk metode latih k-fold
faktor dengan tingkat "Absen" dan "Ada", perilaku tipe-A, validation.
kegemukan, konsumsi alkohol saat ini, usia, respon, penyakit
jantung coroner
[9] Metode yang dipakai dalam penelitian ini adalah algoritma Berdasarkan hasil yang didapatkan
klasifikasi dengan Algoritma Naive Bayes, Random Forest, dan diketahui bahwa nilai keakuratan
Neural Network. Untuk mendapatkan kinerja algoritma yang dihasilkan sebesar 83 %
klasifikasi ini menggunakan dataset tersedia umum di UCI
Repository dengan dataset Penyakit Jantung. Dataset yang
digunakan memiliki 14 atribut terdiri dari data nominal dan
numerik
[10] Sistem pakar yang dapat mendeteksi PJK menggunakan fuzzy- Hasil yang didapatkan dari
Mamdani. penelitian adalah sebuah sistem
dengan kemampuan untuk
mendeteksi penyakit jantung
koroner.
[11] Metode yang digunakan yaitu Jaringan saraf tiruan. Data yang Hasil akurasi berdasarkan
dilakukan sebagai data pengujian sejumlah 26 data yang terdiri npengujian sebesar 76,92 %.
dari data normal sebanyak 13 sinyal EKG dan dari data
abnormal sebanyak 13 sinyal EKG
[12] Metode yang digunakan adalah ensemble - Weighted Vote Hasil evaluasi menunjukkan bahwa
yaitu gabungan antara ANN, SVM, Naive Bayes, dan juga kinerja akurasi terbaik diberikan
KNN. oleh metode ML–WV sebagai
metode yang diusulkan, dengan
akurasi = 85,21%. Sedangkan
kinerja precision dan sensitivity
terbaik diberikan oleh SVM, dengan
precision = 93,59% dan sensitivity =
92,99%. Sementara itu, kinerja
specificity terbaik diberikan oleh
C4.5, dengan specificity = 84,62%.
[13] Metode yang digunakan adalah Certainty Factor Hasil mengenai diagnosa penyakit
jantung yaitu sebesar 88% dengan
nilai akurasi 62%.
11 Jurnal Teknik Elektro Vol. 14 No. 1 2022
[14] Metode yang digunakan adalah ekstraksi EKG dengan Keakuratan kinerja sistem adalah
menggunakan MKNN sebagai mesin inferensinya. 90,22% untuk tiga kelas penyakit
jantung.
[15] Metode yang digunakan dalam percobaan ini adalah Naive Berdasarkan cross validation dengan
Bayes, SVM, c.45, Logistic Regression, dan Back Propagation. masing–masing algoritma yang
ditetapkan, sehingga menghasilkan
akurasi tertinggi didapat oleh
algoritma naïve bayes dengan
akurasi 84.07%. kemudian untuk
presisi tertinggi didapat oleh
algoritma naïve bayes dengan presisi
86.16%. Selanjutnya untuk recall
tertinggi didapat oleh algoritma
support vector machine dengan
recall 94.67%
[16] Metode yang digunakan Artificial Neural Network Penelitian penerapan metode
artificial neural network untuk
mendeteksi serangan jantung di RS
Awal Bros Bekasi didapat hasil
akurasi 96.47%, dengan nilai presisi
97.85%, recall 97.80% dan nilai
AUC adalah 0.996.
[17] Metode yang digunakan adalah Support Vector Machine Nilai akurasi yang didapatkan
sebesar 87.5%.

Tabel 2 merupakan hasil studi literatur dari 13 jurnal
mengenai metode supervised learning. Metode
supervised learning merupakan metode yang ditujukan
untuk melakukan prediksi apakah seseorang terkena
penyakit jantung. Metode yang digunakan seperti
Artificial Neural Network, Naïve Bayes, Support Vector
Machine, dan Logistic Regression, Dari 4 metode ini
didapatkan hasil yang berbeda-beda untuk setiap hasil
dengan jumlah dataset yang berbeda pula.
Pada sistem yang menggunakan metode Support
vector Machine didapatkan tingkat keberhasil sebesar
87,5%. Hasil ini didapatkan dari 40 data pengujian yang
telah dilakukan. Pada sistem yang menggunakan metode
Artificial Neural Network didapatkan hasil akurasi
sebesar 93,59% pada jurnal penelitian pertama dengan
metode Artificial Neural Network, 94,67% pada jurnal
penelitian kedua, dan 96,47% pada jurnal penelitian
ketiga metode Artificial Neural Network. Pada sistem
yang menggunakan metode Logistic Regression
didapatkan hasil akurasi sebesar 87,50%. Pada sistem
yang menggunakan metode Naïve Bayes didapatkan hasil
akurasi sebesar 85,25% pada jurnal penelitian pertama,
61% untuk jurnal penelitian kedua, 83% pada jurnal
penelitian ketiga, dan 84,07% untuk jurnal penelitian
keempat. Dari keempat metode yang digunakan dapat
diketahui bahwa metode yang memiliki nilai akurasi
tertinggi dari beberapa jurnal penelitian adalah metode
Artificial Neural Network dengan nilai akurasi rata-rata
sebesar 94,90%. Akan tetapi, nilai akurasi yang tinggi ini
didapatkan dengan menggunakan dataset yang berjumlah
sedikit. Seperti yang sudah disebutkan pada tabel 1,
jumlah dataset yang sedikit dapat berpengaruh terhadap
nilai akurasi karena nilai yang didapatkan tidak bisa
dijadikan patokan nilai akurasi sebenarnya. Hal ini terjadi
karena dataset yang sedikit
mengakibatkan pembacaan sistem tidak begitu beragam
dengan jumlah data yang sama besar untuk tiap perbedaan
dari data yang dibaca.
Hasil ini merupakan hasil berdasarkan metode
Supervised Learning yang mana metode ini digunakan
untuk mendeteksi penyakit jantung pada seorang pasien.
Pada tabel 3 dilakukan studi literatur mengenai metode
Unsupervised learning yang bertujuan untuk
mengelompokkan penderita penyakit jantung seorang
pasien. Hasil studi literatur berupa kekurangan dan
kelebihan dari jurnal dengan metode Unsupervised
Learning dapat dilihat pada tabel 3 berikut ini.
11
Tabel 3 Kelebihan dan Kekurangan Jurnal Unsupervised Learning
Judul Kelebihan
[18] Dengan menggunakan data training peneliti mampu
mengelompokkan tingkat resiko penyakit jantung
berdasarkan usia.
[19] Dengan menggunakan teknik statistik dasar peneliti
tetap mampu menghasilkan sistem yang mampu
mengelompokkan semua data menjadi 2 cluster.
[20] Penelitian menggunakan metode complexity pruning
untuk meningkatkan akurasi dan output yang lebih
baik.
[21] Dalam pengolahan data, peneliti menggunakan dua
tahapan yaitu preprocessing dan morfologi. Kedua
tahapan tersebut secara berurutan memiliki fungsi
untuk memperbaiki kualitas citra EKG dan
memperbaiki bentuk objek. Tahapan ini digunakan agar
akurasi yang dihasilkan merupakan nilai terbaik.
[22] Peneliti mampu mengolah data dengan baik sehingga
tidak ada data yang terbuang dan sistem mampu
mengelompokkan semua data.
[23] Penelitian ini mengoptimalkan metode K-Means
dengan memanambahkan metode GA K-Means
sehingga hasil dari K-Means kembali diuji pada metode
GA K-Means sehingga akurasi yang didapatkan
merupakan akurasi terbaik.
[24] Untuk mengatasi data yang tidak sesuai peneliti
menambahkan tahapan standardization agar data tidak
mengganggu nilai akurasi.
[25] Sistem pakar yang dibuat dengan jumlah data yang
sedikit mampu memprediksi penyakit jantung dengan
metode clustering dengan nilai akurasi yang cukup
tinggi.
Jurnal Teknik Elektro Vol. 14 No. 1 2022
Kekurangan
Tidak ada pengujian secara langsung
menggunakan data tes, sistem hanya diproses
menggunakan data training.
Terdapat inkonsistensi data karena
penggunaan teknik statistik dasar.
Sistem tidak mampu membedakan detak
jantung orang yang sedang berolahraga dengan
detak jantung orang yang memiliki kadar
kolesterol, sehingga node yang dihasilkan
sangat banyak dan beragam.
Sistem tidak dapat digunakan pada nilai laju
pelatihan, sehingga waktu proses pembacaan
data berlangsung cukup lama.
Tidak ada keterbaruan sistem, karena peneliti
hanya menggunakan software yang sudah jadi,
akan tetapi nilai akurasi yang dihasilkan sangat
rendah. Peneliti juga tidak mampu
memperbaiki nilai akurasi tersebut.
Peniliti tidak mampu mengoptimalkan jumlah
iterasi yang sangat banyak akibat
penggabungan dua buah metode.
Data yang tidak sesuai tetap dimasukkan
peneliti kedalam sistem sehingga nilai akurasi
menjadi terganggu.
Tidak ada pembaharuan metode yang
ditambahkan. Selain itu, peneliti belum
mampu mengoptimalkan jumlah iterasi yang
digunakan.
 11
Berdasarkan tabel 3 di atas, terlihat bahwa tiap jurnal
pada metode Unsupervised Learning memiliki kelebihan
dan kekurangan. Metode Unsupervised Learning ini
digunakan dengan tujuan untuk mengelompokkan
penyakit jadi yang diderita oleh pasien. Pada beberapa
jurnal, terlihat bahwa kelebihan dari jurnal tersebut adalah
metode pengolahan data sebelum di proses. Pengolahan
data ini ditujukan agar data ketika diolah oleh sistem yang
telah dibuat terbaca sesuai dengan karakteristik yang
dinginkan. Penambahan metode seperti complexity
pruning pada jurnal [20] menunjukkan hasil yang
maksimal. Penambahan metode ini ditujukan untuk
meningkatkan akurasi terhadapa pembacaan data yang
memiliki kemiripan padahal data tersebut berbeda. Metode
lain yang digunakan adalah standardization pada jurnal
[24]. Metode ini untuk menyeleksi data yang digunakan
terkait standar data dari sistem yang diperlukan. Hal ini
mempermudah peneliti karena pada awal pengolahan data
tidak dipisahkan terlebih dahulu. Keelebihan yang lain dari
beberapa jurnal tersebut adalah mampu menggabungkan
beberapa metode seperti pada jurnal [23]. Penggabungan
beberapa metode ini ditujukan agar hasil akurasi dari
sistem dapat ditingkatkan dan juga waktu yang digunakan
lebih efisien. Pengoptimalan sistem bukan hanya dengan
menggabungkan dari beberapa metode, akan tetapi pada
jurnal [18] dan [25] terlihat bahwa dengan satu metode dan
data yang digunakan sedikit tetapi hasil keluaran dari
sistem tetap maksimal.
Sebuah jurnal bukan hanya memiliki kelebihan,
tetapi jurnal juga memiliki kekurangan. Beberapa
kekurangan berdasarkan hasil studi literatur beberapa
Jurnal Teknik Elektro Vol. 14 No. 1 2022
jurnal metode unsupervised Learning cukup bervariatif.
Pada jurnal [18] terlihat bahwa kekurangan dari sistem
yang dibuat adalah tidak adanya pengetesan menggunakan
data tes sehingga nilai akurasi dari sistem hanya
bergantung pada data training yang digunakan. Dari segi
data yang digunakan, terdapat kekurangan yang mana data
tersebut merupakan data yang tidak memenuhi kebutuhan
dari sistem. Hal ini ditemukan pada jurnal [24] yang mana
data tidak sesuai dengan sistem. Akan tetapi, data tersebut
tetap dimasukkan pada sistem sehingga akurasi yng
dihasilkan tidak optimal. Selain itu, pada jurnal [19]
terlihat bahwa peneliti tidak memperhatikan kondisi data
yang digunakan. Pada jurnal ini ditemukan bahwa sistem
tidak bekerja secara maksimal karena adanya inkonsistensi
data. Dari segi metode, pada jurnal [23] dan [25] terlihat
peneliti melakukan penggabungan beberapa metode, hal
ini membuat iterasi dari sisstem akan bertambah semakin
banyak. Bertambahnya jumlah iterasi ini tidak
diminimalisir oleh peneliti. Kondisi ini mengakibatkan
waktu untuk proses pembacaan menjadi semakin lama.
Kekurangan yang lain adalah tidak adanya keterbaharuan
penelitian yang dilakukan oleh peneliti, hasil ini terlihat
pada jurnal [22] dan [25]. Pada kedua jurnal tersebut
peneliti terpaku pada metode yang sudah digunakan pada
penelitian sebelumnya. Bahakan, pada jurnal [22] peneliti
hanya menggunakan aplikasi yang sudah jadi. Penggunaan
ini menjadi kekurangan karena hasil akurasi yang
didapatkan bernilai rendah. Dengan rendahnya nilai
akurasi ini, peeneliti belum mampu memperbaiki nilai
akurasi tersebut. karena sistem yang digunakan adalah
sistem yang sudah jadi dalam bentuk software.

Tabel 4 Studi Literatur dengan Metode Unsupervised Learning

Judul Metode Hasil

[18] K-Means Clustering, peneliti menggunakan 3 cluster Berdasarkan hasil perhitungan dari dataset
dengan total data sebanyak 1025. Dataset yang yang dikumpulkan dan kemudian dihitung
digunakan merupakan data penyakit jantung yang dengan perhitungan Euclidean Distance
diambil dari Kaggle.com. pengelompokkan dilakukan didapatkan hasil bahwa pada umur 47 dan 50
dengan 3 variabel yaitu age, trestbps, dan chol. tingkat resiko penyakit jantung adalah high,
sedangkan ketika berumur 54 tingkat resiko
penyakit jantung adalah low. Nilai cluster yang
dihasilkan yaitu cluster 1 (low) berjumlah 335,
cluster 2 (medium) berjumlah 208, dan cluster
3 (high) berjumlah 462.
[19] Menggunakan metode Clustering K Means. Hasil yang didapatkan jumlah cluster
sebanyak 2 buah sesuai dengan pendefinisian
nilai k dengan jumlah cluster “TERJANGKIT”
ada 249 item, cluster “TIDAK
TERJANGKIT” ada 298 item dengan total
jumlah data adalah 547.
[20] Metode yang digunakan adalah CART Decision Tree Hasil penelitian dan uji coba yang dilakukan
dari dataset yang ada, model CART decision
tree dapat mengklasifikasikan penyakit jantung
koroner dengan akurasi 0.8 atau 80% yang
harus dilakukan dengan berbagai tahapan
hingga sampai ke tahapan post-pruning
[21] Pada penelitian ini didesain sistem klasifikasi kelainan Proses pelatihan jaringan LVQ berjalan
jantung berdasarkan citra digital electrocardiogram cukup baik dengan tingkat akurasi jaringan
menggunakan metode jaringan saraf tiruan Learning sebesar 94,74% pada laju pelatihan (α)
 11
Vector Quantization (LVQ). Adapun output jaringan
terdiri dari 4 jenis yaitu kondisi jantung dengan
kelainan bradikardi, kondisi jantung dengan kelainan
aritmia, kondisi jantung normal dan kondisi jantung
dengan kelainan takikardi.
[22] Algoritma K-Means
[23] Metode yang digunakan adalah K-Means dan GA K-
Means.
[24] Metode yang digunakan adalah algoritma ClusterMix
K-Prototypes.
[25] Metode yang digunakan adalah clustering
menggunakan algoritma K-Means.
Tabel 4 hasil studi literatur merupakan studi literatur
yang ditujukan metode untuk unsupervised learning.
Metode Unsupervised learning merupakan metode yang
digunakan untuk mengelompokkan penyakit jantung Pada
metode unsupervised learning yang digunakan adalah
metode seperti ClusterMix K-Prototypes, K-Means
Clustering, Learning Vector Quantization, dan Decision
Tree. Dari keempat metode tersebut, metode K-Means
Clusteing merupakan metode yang paling banyak
digunakan. Hasil tiap jurnal dengan metode ini cukup
beragam. Terdapat 4 buah penelitian yang memiliki nilai
akurassi berada pada 83% - 100%, dan terdapat 1 jurnal
yang memiliki nilai akurasi sangat rendah yaitu berkisar
diantara 25-26%. Dari kelima penelitian menggunakan
metode K-Means Clustering diketahui bahwa nilai
keseluruhan yang di bagi total penelitian didapatkan nilai
akurasi sebesar 79%. Pada metode Learning Vector
Quantization, hanya terdapat 1 jurnal yang menggunakan
metode ini. Akan tetapi hasil akurasi yang dihasilkan
ketika melakukan pengujian adalah sebesar 89%. Selain
itu, terdapat metode Decision Tree dan ClusterMix K-
Prototypes dengan hasil berturut turut adalah 80% dan
57% (berdasarkan nilai silhouette).
Jurnal Teknik Elektro Vol. 14 No. 1 2022
sebesar 0,1 dan pengurangan laju pelatihan
(dec α) sebesar 0,1. Pada hasil pengujian,
jaringan LVQ mampu mengklasifikasi
kelainan bradikardi sebesar 100%, kelainan
aritmia sebesar 100%, kondisi jantung
normal sebesar 78% dan kelainan takikardi
sebesar 88%. Tingkat keberhasilan sistem
klasifikasi secara keseluruhan data uji
adalah sebesar 89%.
Hasil penelitian ini ialah untuk yang terkena
penyakit jantung berjenis kelamin laki-laki =
25%, untuk jenis kelamin perempuan yang
terkena penyakit jantung = 25,33 %, dan untuk
jenis kelamin laki-laki yang sembuh dari
penyakit jantung = 25,33 %, untuk jenis
kelamin perempuan yang sembuh dari
penyakit jantung = 26 %
Hasil intra cluster dari GA K-Means lebih baik
dibandingkan dengan K-Means dan untuk inter
cluster sangat kecil perbedaannya, dimana
rata-rata inter cluster metode K-Means sedikit
lebih baik daripada GA K-Means.
Hasil yang didapatkan bahwa sistem mamp
mengelompokkan data menjadi 2 buah kluster
berdasarkan nilai koefisien silhouette sebesar
0,5777.
Hasil yang didapatkan dari hasil percobaan
yaitu nilai akurasi sebesar 83%.
IV. PENUTUP
Studi literatur telah dilakukan pada 21 jurnal
penelitian dengan 13 jurnal mengenai metode Supervised
Learning dan 8 jurnal mengenai metode Unsupervised
learning, didapatkan 1 metode terbaik untuk tiap tipe
model metode Unsupervised Learning dan metode
Supervised Learning. Pada Supervised Learning, metode
terbaik berdasarkan hasil studi literatur adalah metode
Artificial Neural Network dengan nilai akurasi rata-rata
94,91%, hasil ini didapatkan dari 3 buah jurnal peneltian.
Pada Unsupervised learning, didapatkan 1 metode terbaik
yaitu metode K-Means Clustering dengan nilai rata-rata
sebesar 79%, hasil ini didapatkan dari 5 jurnal penelitian.
Pada studi literatur ini, nilai akurasi terbesar terdapat pada
metode Learning Vector Quantization dengan nilai akurasi
89%. Namun pemilihan K-Means Clustering menjadi
metode terbaik disebabkan karena dari 5 jurnal penelitian
hanya terdapat satu jurnal penelitian yang berada di bawah
83%, sedangkan 4 jurnal sisanya berada di atas 83%
bahkan ada yang mencapai nilai 100%.
11
REFERENSI
[1] A. AI, “Apa itu Kecerdasan Buatan (AI)? — Amazon
Web Services,” Amazon Web Services, Inc.
https://aws.amazon.com/id/machine-learning/what-
is-ai/
[2] K. C. Media, “Angka Kematian Penyakit Jantung
Masih Tinggi di Indonesia Jadi Tantangan Perki
Halaman all,” KOMPAS.com, Aug. 04, 2022.
https://www.kompas.com/sains/read/2022/08/04/16
3200923/angka-kematian-penyakit-jantung-masih-
tinggi-di-indonesia-jadi-tantangan?page=all
(accessed Jan. 01, 2023).
[3] T. detikcom, “Kronologi Christian Eriksen Kolaps
Sampai Kondisinya Terkini,” sepakbola.
https://sport.detik.com/sepakbola/bola-dunia/d-
5603849/kronologi-christian-eriksen-kolaps-sampai-
kondisinya-terkini (accessed Jan. 01, 2023).
[4] I. K. D. Senapartha and G. I. W. Tamtama, “Studi
Literatur Presentation Attack dan Set Data Anti-
Spoof Wajah,” Jurnal Teknik Elektro, vol. 14, no. 1,
pp. 10–17, Jun. 2022, doi: 10.15294/jte.v14i1.36108.
[5] Dimsyiar M Al Hafiz, Khoirul Amaly, Javen
Jonathan, M Teranggono Rachmatullah, and Rosidi,
“Sistem Prediksi Penyakit Jantung Menggunakan
Metode Naive Bayes,” Jurnal Rekayasa Elektro
Sriwijaya, vol. 2, no. 2, pp. 151–157, May 2021, doi:
10.36706/jres.v2i2.29.
[6] J. J. Pangaribuan, H. Tanjaya, and Kenichi,
“MENDETEKSI PENYAKIT JANTUNG
MENGGUNAKAN MACHINE LEARNING
DENGAN ALGORITMA LOGISTIC
REGRESSION.”
[7] F. Lutfi, “Pengembangan Sistem Diagnosa Kelainan
Jantung Berbasis Continuous Wavelet Transform
(CWT) dan Artificial Neural Network (ANN).”
[8] A. Desiani et al., “(Online) Jurnal Teknik Elektro dan
Komputasi (ELKOM) Volume 4 Nomor 2 Agustus
2022 ǁ Hal. 207-214 Implementasi Algoritma Naïve
Bayes dan Support Vector Machine (SVM) Pada
Klasifikasi Penyakit Kardiovaskular,” Jurnal Teknik
Elektro dan Komputasi, vol. 4, no. 2, Aug. 2022, doi:
10.32528/elkom.v4i2.7691.
[9] D. Derisma, “Perbandingan Kinerja Algoritma untuk
Prediksi Penyakit Jantung dengan Teknik Data
Mining,” Journal of Applied Informatics and
Computing, vol. 4, no. 1, pp. 84–88, Jul. 2020, doi:
10.30871/jaic.v4i1.2152.
[10] M. Noviantoro and S. Sasongko, “SISTEM PAKAR
UNTUK MENDETEKSI PENYAKIT JANTUNG
KORONER MENGGUNAKAN FUZZY-
MAMDANI.”
[11] M. Rifali and D. Irmawati, “Sistem Cerdas Deteksi
Sinyal Elektrokardiogram (EKG) untuk Klasifikasi
Jantung Normal dan Abnormal Menggunakan
Jaringan Syaraf Tiruan (JST),” Elinvo (Electronics,
Informatics, and Vocational Education), vol. 4, no. 1,
pp. 49–55, Nov. 2019, doi:
10.21831/elinvo.v4i1.28242.
[12] A. Alhamad, A. I. S. Azis, B. Santoso, and S. Taliki,
“Prediksi Penyakit Jantung Menggunakan Metode-
Metode Machine Learning Berbasis Ensemble –
Jurnal Teknik Elektro Vol. 14 No. 1 2022
Weighted Vote,” Jurnal Edukasi dan Penelitian
Informatika (JEPIN), vol. 5, no. 3, p. 352, Dec. 2019,
doi: 10.26418/jp.v5i3.37188.
[13] E. Susanto and A. Wantoro, “Diagnosa Penyakit
Jantung Menggunakan Metode Certainty Factor,”
Jurnal Informatika dan Rekayasa Perangkat Lunak,
vol. 3, no. 1, pp. 93–106, 2022.
[14] Annafi' Franz, I. Muhimmah, T. Yuwono, and E.
Marfianti, “Pembacaan Waktu sebagai ekstraksi
EKG pada Diagnosis Penyakit Jantung,” 2017.
[15] A. Klasifikasi, P. Dewa, P. Fakultas, I. Komputer, D.
Palupi, and R. Fakultas, “Annual Research Seminar
(ARS),” Prosiding Annual Research Seminar, vol. 5,
no. 1, 2019.
[16] N. Qomariyah et al., “INTI NUSA MANDIRI,” Aug.
2018.
[17] V. A. Gunawan, I. I. Fitriani, and L. S. A. Putra,
“Sistem Diagnosis Otomatis Identifikasi Penyakit
Jantung Coroner Menggunakan Ektraksi Ciri GLCM
dan Klasifikasi SVM,” Informatika Mulawarman :
Jurnal Ilmiah Ilmu Komputer, vol. 15, no. 1, p. 13,
Feb. 2020, doi: 10.30872/jim.v15i1.2495.
[18] D. Haryadi and D. M. U. Atmaja, “Penerapan
Algoritma K-Means Clustering Untuk
Pengelompokan Tingkat Risiko Penyakit Jantung,”
Journal of Informatics and Communication
Technology (JICT), vol. 3, no. 2, pp. 51–66, Dec.
2021, doi: 10.52661/j_ict.v3i2.85.
[19] C. Oktari, A. Fiqhi, T. Safitri, S. Adi, S. Kom, and M.
Cs, “IMPLEMENTASI ALGORITMA K-MEANS
UNTUK PENGELOMPOKKAN PENYAKIT
YANG MENGIDAP JANTUNG KORONER
IMPLEMENTATION ALGORITHM K-MEANS
FOR CLUSTERING OF DISEASES WHO HAVE
A CORONARY HEART.”
[20] J. Afriando Akbar, Z. Fadela, L. Fachruddin, F.
Ardiansyah, and Z. Bakhri, “Analisis Penyakit
Jantung Koroner Menggunakan Decision Tree.”
[21] E. Purwanti, F. C. S. Arisgraha, P. Pujiyanto, and M.
A. Bustomi, “Desain Sistem Klasifikasi Kelainan
Jantung menggunakan Learning Vector
Quantization,” Jurnal Fisika dan Aplikasinya, vol. 9,
no. 2, p. 57, Jun. 2013, doi:
10.12962/j24604682.v9i2.841.
[22] T. Putri and N. Huda, “ANALISIS DAN PREDIKSI
PENYAKIT JANTUNG MENGGUNAKAN
ALGORITMA K-MEANS CLUSTERING PADA
RUMAH SAKIT UMUM DAERAH
PRABUMULIH.”
[23] M. E. Al Rivan and R. A. Sonaru, “Perbandingan
Metode K-Means dan GA K-Means untuk Clustering
Dataset Heart Disease Patients,” JATISI (Jurnal
Teknik Informatika dan Sistem Informasi), vol. 9, no.
3, pp. 2585–2597, Sep. 2022, doi:
10.35957/jatisi.v9i3.2799.
[24] U. Menangkap et al., “Algoritma ClusterMix K-
Prototypes,” INFERENSI, vol. 4, no. 1, pp. 2721–
3862, 2021, doi: 10.12962/j27213862.v4i1.8479.
[25] F. Tahel, “PENERAPAN METODE CLUSTERING
UNTUK MENGDIAGNOSA JENIS PENYAKIT
GAGAL JANTUNG.”