Machine Learning Techniques for Heart Disease Prediction: A Comparative Study and Analysis

Katarya, Rahul; Meena, Sunit Kumar

doi:10.1007/s12553-020-00505-7

Cited by 142 publications

(55 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…An experiment was carried out on R Studio and the result concluded that HRFLM produced better accuracy (88.47%) than other classifiers. [6], [17], [19], [7]- [11], [13], [14], [16] 11 NB [7], [8], [10], [11], [13], [14], [16], [18], [20] 9…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Analyzing Predictive Algorithms in Data Mining for Cardiovascular Disease using WEKA Tool

Aman¹,

Chhillar²

2021

IJACSA

View full text Add to dashboard Cite

Cardiovascular Disease (CVD) is the foremost cause of death worldwide that generates a high percentage of Electronic Health Records (EHRs). Analyzing these complex patterns from EHRs is a tedious process. To address this problem, Medical Institutions requires effective Predictive Algorithms for the Prognosis and Diagnosis of the Patients. Under this work, the current state-of-the-art studied to identify leading Predictive Algorithms. Further, these algorithms namely Support Vector Machine (SVM), Naïve Bayes (NB), Decision Tree (DT), Random Forest (RF), Artificial Neural Network (ANN), Logistic Regression (LR), AdaBoost and k-Nearest Neighbors (k-NN) analyzed against the two datasets on opensource WEKA software. This work used two similar structured datasets i.e., Statlog Dataset and Cleveland Dataset. For Pre-Processing of Datasets, The missing values were replaced with the Mean value and later 10 Fold Cross-Validation was utilized for the evaluation. The result of the performance analysis showed that SVM outperforms other algorithms against both datasets. SVM showed an accuracy of 84.156% against the Cleveland dataset and 84.074% against the Statlog dataset. LR showed a ROC Area of 0.9 against both datasets. The findings of the work will help Health Institutions to understand the importance and usage of Predictive Algorithms for the automatic prediction of CVD based on the symptoms.

show abstract

Section: Related Workmentioning

confidence: 99%

“…DT [5], [6], [18], [19], [8], [10]- [14], [16], [17] 12 k-NN [5]- [10], [13], [14], [16], [17] 10 LR [8], [10], [17], [19] 4…”

Section: Related Workunclassified

Analyzing Predictive Algorithms in Data Mining for Cardiovascular Disease using WEKA Tool

Aman¹,

Chhillar²

2021

IJACSA

View full text Add to dashboard Cite

show abstract

“…Menurut WHO, kematian global yang disebabkan penyakit jantung memiliki persentase 31%. [2]. Beberapa faktor resiko penyakit jantung yaitu diabetes, kolesterol, tekanan darah tinggi dan lainnya merupakan faktor yang sulit untuk diidentifikasi [3].…”

unclassified

“…Analisis data dalam jumlah besar memberikan peluang besar dan mendapatkan hasil terbaik [1]. Analisis data tersebut dapat dilakukan dalam prediksi penyakit jantung menggunakan teknik pembelajaran mesin yang sangat efisien bagi tenaga medis [2]. Oleh karena itu, penggunaan machine learning (ML) menjadi solusi untuk mengurangi dan memahami gejala yang berhubungan dengan penyakit jantung dan membantu praktisi membuat keputusan yang lebih akurat mengenai kesehatan pasien [5].…”

unclassified

“…Beberapa penelitian tersebut menunjukkan bahwa penelitian pembelajaran mesin melakukan pembagian data latih dan data uji bervariasi. Penelitian [2] menghasilkan akurasi menggunakan metode SVM sebesar 92.30%, Logistic Regression sebesar 93.40%, dan ANN sebesar 92,30% dapat disimpulkan hasil akurasi dari ketiga metode tersebut tidak terlalu signifikan dengan pengolahan pembagian data latih dan uji tidak bervariasi. Berdasarkan permasalahan tersebut, penelitian selanjutnya akan melakukan eksperimen untuk membandingkan metode SVM, Logistic Regression, dan ANN berdasarkan pembagian data testing dan data training bervariasi bertujuan untuk mendapatkan tingkat akurasi pembagian data yang lebih baik dengan menggunakan tools pengujian yang berbeda dari penelitian sebelumnya.…”

unclassified

See 1 more Smart Citation

Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network Dalam Prediksi Penyakit Jantung

Handayani

2021

JEPIN

View full text Add to dashboard Cite

Penyakit jantung adalah salah satu penyakit yang menyebabkan resiko kematian cukup tinggi di dunia. Kolesterol, diabetes, tekanan darah tinggi merupakan faktor-faktor pemicu terjadinya penyakit jantung. Perlu deteksi sejak ini mengenai prediksi penyakit jantung pada setiap individu agar pencegahan dan pengobatan dapat segera dilakukan demi tingkat Kesehatan yang lebih baik. Berbagai metode dapat dilakukan untuk melakukan deteksi penyakit jantung, baik dengan metode tradisional dan metode yang memanfaatkan teknologi. Saat ini mulai banyak bermunculan system pendeteksi penyakit jantung dengan memanfaatkan algoritma machine learning. Algoritma machine learning dianggap mudah untuk diaplikasikan untuk mengklasifikasikan apakah seseorang terkena penyakit jantung. Penelitian ini mencoba melakukan klasifikasi penyakit jantung menggunakan dataset public dari UCI menggunakan tiga algorima machine learning, yaitu Support Vector Machine (SVM), Logistic Regression (LR) dan Artifiacial Neural Network (ANN). Ketiga algorima tersebut diuji menggunakan empat skenario pembagian data training dan testing yang berbeda, yaitu 90:10, 80:20, 70:40 dan 60:40. Dari hasil eksperimen didapatkan hasil akurasi tertinggi pada metode Logistic Regression sebesar 86% menggunakan skenario pembagian data 80:20.

show abstract

Applications of Machine Learning for Predicting Heart Failure

Boughorbel¹,

Himeur²,

Salman³

et al. 2022

Predicting Heart Failure

View full text Add to dashboard Cite

Machine Learning Techniques for Heart Disease Prediction: A Comparative Study and Analysis

Cited by 142 publications

References 17 publications

Analyzing Predictive Algorithms in Data Mining for Cardiovascular Disease using WEKA Tool

Analyzing Predictive Algorithms in Data Mining for Cardiovascular Disease using WEKA Tool

Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network Dalam Prediksi Penyakit Jantung

Applications of Machine Learning for Predicting Heart Failure

Contact Info

Product

Resources

About