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

COMPARATION OF SUPPORT VECTOR MACHINE (SVM), K-NEAREST NEIGHBORS (KNN), AND RANDOM FOREST (RF) METHODS FOR HEART FAILURE PREDICTION

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.

Kata Kunci: gagal jantung, support vector machine (SVM), k-nearest neighbors (KNN), random forest (RF)

The heart is an organ that has an important role in human lives because of its function to distribute blood from the lungs to all parts of the body, where the blood contains a lot of oxygen so that it can help metabolic processes in the human body. Therefore, the heart organ needs to be protected, cared for, and maintained in its condition to prevent damage of the heart that causes heart failure. So many people die of heart failure, so there must be a new study to predict heart failure. The role of artificial intelligence (AI) in detecting heart failure in this study aims to compare the prediction accuracy of the three methods used by researchers, namely the Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Random Forest (RF). The dataset is taken from the UCI Machine Learning page with the title Heart Failure Clinical Records Dataset. The highest accuracy generated by using the SVM and RF methods which produce an accuracy of the same value, which is 97% with details of the SVM method using parameters C = 1, gamma = 0.01, kernel = linear and in total the program running time is 2.82 seconds while the RF method uses the parameter n_estimators = 30, random_state = 0, and the total program running time is 7.29 seconds. Then the KNN method produces an accuracy of 93%, using parameters n_neighbors = 20 and the total program running time is 0.60 seconds. In this study, we also made an application Heart Failure Prediction with Graphical User Interface (GUI) using three methods that have been tested for accuracy.

Keywords: heart failure, support vector machine (SVM), k-nearest neighbors (KNN), random forest (RF)