Komparasi Akurasi K-Nearest Neighbors dan Support Vector Machine untuk Memprediksi Potensi Hipertensi

Inzhagi, Rizky Maulana Yorifano (2022) Komparasi Akurasi K-Nearest Neighbors dan Support Vector Machine untuk Memprediksi Potensi Hipertensi. Undergraduate thesis, Universitas Pembangunan Jaya.

	Text Pendahuluan.pdf Download (1MB)
	Text Abstract.pdf Download (54kB)
	Text Abstrak.pdf Download (118kB)
	Text Daftar Isi.pdf Download (63kB)
	Text Daftar Gambar.pdf Download (55kB)
	Text Daftar Tabel.pdf Download (55kB)
	Text Daftar Lampiran.pdf Download (50kB)
	Text BAB I.pdf Download (206kB)
	Text BAB II.pdf Download (382kB)
	Text BAB III.pdf Download (89kB)
	Text BAB IV.pdf Download (730kB)
	Text BAB V.pdf Download (441kB)
	Text BAB VI.pdf Download (53kB)
	Text Daftar Pustaka.pdf Download (125kB)
	Text Lampiran.pdf Download (2MB)

Abstract

Salah satu akibat dari kegagalan fungsi jantung adalah hipertensi atau tekanan darah tinggi. Hipertensi merupakan salah satu penyakit yang tidak memunculkan gejala pada penderita sehingga sering disebut “The Silent Killer”. Saat ini, belum ada teknologi yang dapat memprediksi potensi penyakit hipertensi. Dalam hal ini, algoritma machine learning KNN (K-Nearest Neighbors) dan Support Vector Machine (SVM) dapat digunakan untuk memprediksi penyakit hipertensi dengan menggunakan fitur rata-rata level gula darah, IMT, dan usia berdasarkan klasifikasi data latih yang disediakan terhadap data uji. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengetahui perbandingan keakuratan penerapan KNN dan SVM untuk prediksi potensi penyakit hipertensi menggunakan bahasa pemrograman Python. Metode yang digunakan dalam penelitian ini adalah kualitatif dan kuantitatif data numerik. Pengumpulan data berupa studi literasi, pengambilan dataset, dan pengujian algoritma. Dari 4909 baris data, dibagi menjadi 7 : 3 sehingga menghasilkan data latih sebesar 3436 baris dan data uji sebesar 1473 baris. Akurasi yang dihasilkan dari pemodelan KNN yang telah dilakukan adalah sebesar 91.17%. Sedangkan akurasi yang dihasilkan dari pemodelan SVM adalah 91.04%.

Item Type:	Karya Tulis Ilmiah (KTI) (Undergraduate)
Uncontrolled Keywords:	Hipertensi, KNN, SVM, Machine Learning, Python.
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics T Technology > T Technology (General)
Divisions:	Fakultas Teknologi dan Desain > Informatika
Depositing User:	Mr Rizky Maulana Yorifano Inzhagi
Date Deposited:	29 Jun 2022 07:09
Last Modified:	29 Jun 2022 07:09
URI:	http://eprints.upj.ac.id/id/eprint/2734

Actions (login required)

View Item