KOMPARASI METODE SUPPORT VECTOR MACHINE (SVM), K-NEAREST NEIGHBORS (KNN), DAN RANDOM FOREST (RF) UNTUK PREDIKSI PENYAKIT GAGAL JANTUNG

Abstract

Jantung adalah organ yang mempunyai peranan penting dalam kelangsungan hidup manusia karena fungsinya untuk mendistribusikan darah dari paru-paru ke seluruh bagian tubuh, yang dimana darah tersebut mengandung banyak sekali oksigen sehingga dapat membantu proses metabolisme di dalam tubuh manusia. Maka dari itu, organ jantung perlu dilindungi, dirawat, dan dijaga kondisinya untuk mencegah kerusakan pada jantung yang mengakibatkan penyakit gagal jantung. Begitu banyak orang yang meninggal karena penyakit gagal jantung, sehingga harus ada penelitian yang terbarukan untuk memprediksi penyakit gagal jantung tersebut. Peranan Artificial Intelligence (AI) dalam mendeteksi gagal jantung pada penelitian ini bertujuan untuk membandingkan prediksi akurasi dari tiga metode yang dipakai oleh peneliti, yaitu metode Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest (RF). Dataset diambil dari laman UCI Machine Learning dengan judul Heart Failure Clinical Records Dataset. Akurasi paling tinggi yang dapat dihasilkan adalah menggunakan metode SVM dan RF dimana menghasilkan akurasi yang bernilai sama, yaitu 97% dengan rincian metode SVM menggunakan parameter C = 1, gamma = 0.01, kernel = linear dan dalam total waktu running program selama 2.82 detik sedangkan metode RF menggunakan parameter n_estimators = 30, random_state = 0, dan dalam total waktu running program selama 7.29 detik. Lalu untuk metode KNN menghasilkan akurasi yang bernilai 93%, dengan menggunakan parameter n_neighbors = 20 dan dalam total waktu running program selama 0.60 detik. Pada penelitian ini, peneliti juga membuat program Prediksi Gagal Jantung dengan Graphical User Interface (GUI) menggunakan ketiga metode yang telah diuji akurasinya.