Komparasi Metode Support Vector Machine Dan Naïve Bayes Dalam Klasifikasi Peluang Penyakit Serangan Jantung

Abstract

The death rate in the world per year is 17.9 million due to cardiovascular disease, including heart and blood vessel disorders. This needs to be given more attention to anticipate the possible risk of a heart attack. One of the contributions in the field of technology to provide useful information about the risk of heart disease is by using a data processing approach or data mining technique by classifying the vulnerability to heart disease risk. The classification method used is Support Vector Machine and Naïve Bayes. The classification method will be carried out in a comparative process and the method that has the best accuracy will be sought. The scenarios used are 2 test scenarios, namely dividing the training data by 20% in scenario 1 and 40% in scenario 2. The final results of the research obtained are the best accuracy in the Support Vector Machine with scenario 1 of 87%.

Pengaruh Komposisi Split data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning

“…Penelitian ini bertujuan untuk mengevaluasi pengaruh komposisi split data training dan testing terhadap performa klasifikasi penyakit kanker payudara pada dataset Wisconsin Breast Cancer (Diagnostic) dan membandingkan algoritma machine learning yaitu algoritma Support Vector Machine (SVM), Random Forest dan Naïve Bayes yang dapat digunakan untuk mengelola data numerik pada metode klasifikasi data, hal ini cocok dengan data penelitian ini merupakan data numerik hasil analisis citra digital massa payudara. Ketiga algoritma yang digunakan memiliki keunggulan yaitu metode SVM dapat menentukan hyperplane dengan margin terbaik [11], Random Forest dapat memilah atribut terbaik [12], sedangkan Naive Bayes adalah model yang relatif sederhana dan komputasionalnya cepat untuk dataset besar [13]. Penelitian ini juga bertujuan untuk menghasilkan akurasi terbaik untuk klasifikasi kanker payudara menggunakan komposisi split data yang optimal baik itu menggunakan metode holdout validation ataupun k-fold cross validation.…”

Implementasi Algoritma K-Means dalam Pengelompokkan Tingkat Transaksi Produk PPOB Nusantara

“…Dalam data mining ada beberapa pendekatan seperti klasterisasi, klasifikasi, dan asosiasi (Pradana et al, 2022). Dalam pengolahan data penjualan ditinjau dari beberapa peneletian sebelumnya seperti yang dilakukan oleh (Indarwati et al, 2019) mengimplementasikan metode regression pada data penjualan smartphone untuk memprediksi penjualan smartphone dengan hasil yang masuk dalam kategori sangat baik.…”