MODEL DATA MINING UNTUK PREDIKSI PENYAKIT GAGAL JANTUNG PADA USIA DEWASA HINGGA LANSIA DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR

RIZKI, MUHAMAD (2024) MODEL DATA MINING UNTUK PREDIKSI PENYAKIT GAGAL JANTUNG PADA USIA DEWASA HINGGA LANSIA DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR. S1 thesis, Universitas Mercu Buana Jakarta.

	Text (HAL COVER) 01 COVER.pdf Download (449kB)
	Text (ABSTRAK) 02 ABSTRAK.pdf Download (33kB)
	Text (BAB I) 03 BAB 1.pdf Restricted to Registered users only Download (83kB)
	Text (BAB II) 04 BAB 2.pdf Restricted to Registered users only Download (346kB)
	Text (BAB III) 05 BAB 3.pdf Restricted to Registered users only Download (559kB)
	Text (BAB IV) 06 BAB 4.pdf Restricted to Registered users only Download (512kB)
	Text (BAB V) 07 BAB 5.pdf Restricted to Registered users only Download (29kB)
	Text (DAFTAR PUSTAKA) 08 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (146kB)
	Text (LAMPIRAN) 09 LAMPIRAN.pdf Restricted to Registered users only Download (255kB)

Abstract

Heart failure is a worldwide cardiovascular disease and results in increased mortality, morbidity and financial impact. According to data in Indonesia, in 2018 there were 229,696 people with heart failure. With the high number of people with heart failure in Indonesia, the authors want to predict heart failure using the K-Nearest Neighbor method. The data used in this study is secondary data that comes from Kagle. The author uses JupyterLab tools to test the accuracy of the method used. The results obtained are the accuracy rate of K-Nearest Neighbor of 90.3% with 30% test data and 70% train data. Based on comparison with other methods, the K-Nearest Neighbor method has the highest accuracy, so it can be said that the K-Nearest Neighbor method can be used as an algorithm to predict heart failure. Keywords: Hearth Failure, predict, K-Nearest Neighbor, dataset Gagal jantung adalah penyakit kardiovaskuler yang mendunia dan mengakibatkan peningkatan angka mortalitas, morbiditas dan berdampak finansial. Menurut data di Indonesia pada tahun 2018 penderita penyakit gagal jantung 229.696. dengan tinggi nya angka penderita penyakit gagal jantung di Indonesia penulis ingin memprediksi penyakit gagal jantung menggunakan metode K-Nearest Neighbor. Data yang digunakan pada penelitian ini merupakan data sekunder yang berasal dari Kagle. Penulis menggunakan tools JupyterLab untuk menguji tingkat keakuratan metode yang digunakan. Hasil yang didapat adalah tingkat akurasi dari K-Nearest Neighbor sebesar 90,3% dengan test data 30% dan train data 70%. Berdasarkan komparasi dengan metode lainnya, metode K-Nearest Neighbor memiliki akurasi yang paling tinggi, sehingga dapat dikatakan metode K-Nearest Neighbor dapat digunakan sebagai algoritma untuk memprediksi penyakit gagal jantung. Kata Kunci: Gagal jantung, memprediksi, K-Nearest Neighbor, dataset

Item Type:	Thesis (S1)
Call Number CD:	FIK/SI. 24 037
NIM/NIDN Creators:	41819010005
Uncontrolled Keywords:	Gagal jantung, memprediksi, K-Nearest Neighbor, dataset
Subjects:	100 Philosophy and Psychology/Filsafat dan Psikologi > 150 Psychology/Psikologi > 155 Differential and Developmental Psychology/Psikologi Diferensial dan Psikologi Perkembangan > 155.6 Psychology of Adults/Psikologi Dewasa 100 Philosophy and Psychology/Filsafat dan Psikologi > 150 Psychology/Psikologi > 155 Differential and Developmental Psychology/Psikologi Diferensial dan Psikologi Perkembangan > 155.6 Psychology of Adults/Psikologi Dewasa > 155.66 Person in Middle Adulthood/Orang Di Usia Menengah Dewasa 600 Technology/Teknologi > 610 Medical, Medicine, and Health Sciences/Ilmu Kedokteran, Ilmu Pengobatan dan Ilmu Kesehatan 600 Technology/Teknologi > 610 Medical, Medicine, and Health Sciences/Ilmu Kedokteran, Ilmu Pengobatan dan Ilmu Kesehatan > 616 Diseases/Penyakit > 616.1 Diseases of Cardiovascular System/Penyakit pada Sistem Kardiovaskular
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	khalimah
Date Deposited:	07 Feb 2024 04:14
Last Modified:	07 Feb 2024 04:14
URI:	http://repository.mercubuana.ac.id/id/eprint/85930

Actions (login required)

View Item