LAPORAN FINAL PROJECT

KECERDASAN KOMPUTASIONAL

Memprediksi Penyakit Gagal Jantung dengan

Membandingkan metode
KNN, Decision Tree, SVM dan ANN

Disusun Oleh :
Hasna Lathifah P 5025201108
Agnesfia Anggraeni 5025201059
Theresia Nawangsih 5025201144
 A. Deskripsi Dataset
Dataset ini berasal dari Andras Janosi, Hungarian Institute of Cardiology. Tujuan dari
kumpulan data ini adalah untuk memprediksi secara diagnostik apakah seorang pasien
menderita gagal jantung, berdasarkan pengukuran diagnostik tertentu yang termasuk
dalam kumpulan data/dataset. Dataset ini terdiri dari 12 kolom dan 918 baris.
Terdapat 12 atribut

No Variable Deskripsi Tipe Data

1 Age Untuk menyatakan Integer

umur

2 Sex Untuk menyatakan Object

jenis kelamin

3 Chest Pain Type Untuk menyarakan Object

jenis nyeri pada dada
[TA: Typical Angina,
ATA: Atypical
Angina, NAP:
Non-Anginal Pain,
ASY:
Asymptomatic]

4 Resting BP Untuk menyatakan Integer

tekanan darah pada
saat istirahat

5 Cholestrol Untuk menyatakan Integer

jika pasien menderita
kolestrol

6 Fasting BS Untuk menyatakan Integer

gula darah puasa

7 Resting ECG Untuk menyatakan Object

hasil elektrodiagram
istirahat

8 Max HR Untuk menyatakan Integer

maksimum detak
jantung tercapai

9 Exercise Angina Untuk menyatakan Object

10 Oldpeak Untuk menyatakan Float

nilai numerik diukur
 dalam depresi

11 ST_Slope Untuk menyatakan Object

12 Heart Disease Untuk menyatakan Integer

penyakit jantung

B. Metode
1. KNN (K-Nearest Neighbor)
KNN merupakan algoritma klasifikasi yang bekerja dengan mengambil
sejumlah K data terdekat (tetangganya) sebagai acuan untuk menentukan kelas dari
data baru. Algoritma ini mengklasifikasikan data berdasarkan similarity atau
kemiripan atau kedekatannya terhadap data lainnya.

Hasil :
0.6847826086956522
2. Decission Tree
Decision Tree adalah algoritma machine learning yang menggunakan
seperangkat aturan untuk membuat keputusan dengan struktur seperti pohon yang
memodelkan kemungkinan hasil, biaya sumber daya, utilitas dan kemungkinan
konsekuensi atau resiko. Konsepnya adalah dengan cara menyajikan algoritma dengan
pernyataan bersyarat, yang meliputi cabang untuk mewakili langkah-langkah
pengambilan keputusan yang dapat mengarah pada hasil yang menguntungkan.

Hasil :
0.7771739130434783
3. SVM (Support Vector Machine)
SVM merupakan salah satu algoritma machine learning dengan pendekatan
berbasis suppervised learning yang dapat digunakan untuk masalah klasifikasi dan
regresi. SVM telah digunakan dalam klasifikasi teks, hiperteks dan gambar.

Hasil :
Accuracy: 71.37 %
Std. Dev: 5.78 %
 4. ANN (Artificial Neural Network)
ANN merupakan model komputasi yang meniru cara kerja sel saraf di otak
manusia. Pemodelan kompleks dari sekelompok unit pemroses kecil yang dimodelkan
berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat
mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal
maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang
adaptif, JST juga sering disebut dengan jaringan adaptif.

Accuracy score
0.8206521739130435

C. Rencana Evaluasi dan Uji Coba

Dari keseluruhan dataset, kami akan mengambil 80% dari total 918 record data
sedangkan sisanya akan digunakan untuk testing.
kemudian hasil outcome dari 20% data tersebut akan dibandingkan dengan outcome
dari dataset asli untuk mengetahui persentase keakuratan metode prediksi yang kami
gunakan

D. Kesimpulan
Berdasarkan accuracy skor yang diperoleh dari masing-masing metode, dimana
metode KNN diperoleh 0.68, metode Decision tree diperoleh 0.77, metode SVM
diperoleh 0.71, dan metode ANN diperoleh 0.8, dapat disimpulkan bahwa urutan
metode yang terbaik untuk kasus ANN, Decision tree, SVM, dan yang terakhir adalah
KNN.