Penyakit jantung merupakan salah satu penyakit tidak menular yang dapat menyerang tubuh secara tiba-tiba karena adanya penyempitan pada aliran darah menuju jantung. Pada penelitian ini menggunakan metode random forest untuk mengklasifikasi penyakit jantung, dimana jumlah datanya yaitu 1190, 11 fitur, kelas target ada 2 (penyakit jantung dan normal). Penelitian ini bertujuan menghitung dan mengetahui hasil ketepatan tingkat akurasi antara dataset dengan teknik seleksi fitur dan dataset tanpa seleksi fitur dari pemodelan yang dibuat menggunakan metode random forest. Hasil akurasi menggunakan jumlah fitur sebanyak 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 80.26%, 81.12%, 83.26%, 83.69%, 83.26%, 86.70%, 88.84%, 88.84%, 85.84%, 90.56% pada percobaan tanpa tuning parameter dengan split validation, sedangkan tanpa teknik seleksi fitur mencapai 91.42% (akurasi optimum). Hasil akurasi menggunakan jumlah fitur sebanyak 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 78.66%, 76.94%, 81.33%, 81.33%, 81.84%, 83.65%, 86.66%, 89.16%, 88.64%, 91.05% pada percobaan tanpa tuning parameter dengan 5-fold validation, sedangkan tanpa teknik seleksi fitur mencapai 91.22% (akurasi optimum). Hasil akurasi dengan jumlah fitur sebanyak 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 80.26%, 81.12%, 83.26%, 83.69%, 83.97%, 85.84%, 87.98%, 88.84%, 87.55%, 90.56% pada percobaan menggunakan hasil tuning parameter dengan split validation, sedangkan tanpa teknik seleksi fitur mencapai 91.42% (akurasi optimum). Hasil akurasi dengan jumlah fitur 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (teknik seleksi fitur) yaitu 78.66%, 77.45%, 81.41%, 81.67%, 81.58%, 84.25%, 86.23%, 89.07%, 88.47% dan 90.71% pada percobaan menggunakan hasil tuning parameter dengan 5-fold validation, sedangkan tanpa teknik seleksi fitur mencapai 90.88% (akurasi optimum). Dari hasil skenario uji coba, akurasi optimum mencapai 91.42% pada pemodelan tanpa seleksi fitur menggunakan hasil tuning parameter dan tanpa tuning parameter dengan split validation. Hasil penelitian ini menunjukkan bahwa teknik seleksi fitur mencapai akurasi yang lebih rendah daripada menggunakan pemodelan tanpa seleksi fitur. Hal ini bisa disebabkan karena adanya pertimbangan fitur dominan dan tidak dominan, serta teknik seleksi fitur dapat berpengaruh jika diterapkan pada data dengan jumlah record dan fitur yang banyak


Deskripsi Lain

Heart disease is a non-communicable disease that can attack the body suddenly due to narrowing of the blood flow to the heart. In this study using the random forest method to classify heart disease, where the amount of data is 1190, 11 features, there are 2 target classes (heart disease and normal). This study aims to calculate and find out the results of the accuracy level between datasets with feature selection techniques and datasets without feature selection from modeling made using the random forest method. Accuracy results using the number of features much 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (feature selection technique) namely 80.26%, 81.12%, 83.26%, 83.69%, 83.26%, 86.70%, 88.84 %, 88.84%, 85.84%, 90.56% in the experiment without parameter tuning with split validation, while without the feature selection technique it reached 91.42% (optimum accuracy). Accuracy results using the number of features of 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (feature selection technique) namely 78.66%, 76.94%, 81.33%, 81.33%, 81.84%, 83.65%, 86.66 %, 89.16%, 88.64%, 91.05% in the experiment without parameter tuning with 5-fold validation, while without feature selection technique it reached 91.22% (optimum accuracy). Accuracy results with a number of features of 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (feature selection technique) namely 80.26%, 81.12%, 83.26%, 83.69%, 83.97%, 85.84%, 87.98 %, 88.84%, 87.55%, 90.56% in the experiment using the results of tuning parameters with split validation, while without feature selection techniques it reached 91.42% (optimum accuracy). Accuracy results with the number of features 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 (feature selection technique) namely 78.66%, 77.45%, 81.41%, 81.67%, 81.58%, 84.25%, 86.23% 89.07%, 88.47% and 90.71% in the experiment using parameter tuning results with 5-fold validation, while without feature selection techniques it reached 90.88% (optimum accuracy). From the results of the trial scenario, the optimum accuracy reached 91.42% in modeling without feature selection using the results of parameter tuning and without parameter tuning with split validation. The results of this study indicate that the feature selection technique achieves lower accuracy than using modeling without feature selection. This can be due to the consideration of dominant and non-dominant features, and feature selection techniques can have an effect if applied to data with a large number of records and features

• IDENTIFIKASI UNTUK PENENTUAN TINGKAT KESESUAIAN LAHAN TERHADAP PADI SAWAH MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DENGAN VISUALISASI GOOGLE MAPS API
• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• KLASIFIKASI KOMPLEKSITAS VISUAL CITRA BERDASARKAN STRUCTURE, NOISE, DAN DIVERSITY MENGGUNAKAN SISTEM INFERENSI FUZZY MAMDANI
• Klasifikasi Efektifitas Pencapaian Belajar Menghafal Asmaul Husna Melalui Metode Pembelajaran Hanifida Menggunakan Game Edukai Dengan Metode Fuzzy
• RANCANG BANGUN E-DOCUMENT DI KANTOR PELAYANAN PERIJINAN TERPADU KABUPATEN BANGKALAN MENGGUNAKAN NAIVE BAYES CLASSIFIER