Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal ILKOMNIKA: Journal of Computer Science and Applied Informatics
Leonard Rizta
Institut Teknologi Sumatera
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan K-Means Clustering pada Imbalance Dataset Gejala Penyakit Jantung Meida Cahyo Untoro; Leonard Rizta; Anugerah Perdana; Nazla Andintya Wijaya; Nestiawan Ferdiyanto
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 5 No 1 (2023): Volume 5, Nomor 1, April 2023
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v5i1.455

Abstract

Jantung merupakan organ yang sangat penting bagi tubuh kita, namun ternyata penyakit jantung merupakan penyakit paling mematikan di dunia. Penyebab penyakit jantung beragam, seperti pola hidup yang tidak sehat, mengkonsumsi makan yang mengandung tinggi kolestrol, merokok, lingkungan serta faktor keturunan atau genetik. Penyakit jantung tidak mengenal jenis kelamin dan usia, baik perempuan, laki-laki, balita, anak-anak bahkan orang dewasa dapat menderita penyakit jantung. Gejala penyakit jantung antara lain sakit dada, tekanan darah tinggi, hasil tes EleKtrodioGram (EKG), denyut jantung, kadar gula dan kandungan kolesterol yang meningkat atau tidak normal. Minimnya data terkait penyakit jantung menyebabkan kesulitan untuk melakukan prediksi terhadap pasien yang menderita atau tidak. Data minim dapat diartikan sebagai data minoritas yang akan menyebabkan missclasifikation pada dataset utaman dan berdampak pada prediksi yang salah. Penelitian ini bertujuan memprediksi gejala penyakit jantung dengan menggunakan K-means clustering untuk mengelompokan kelas berpenyakit jantung atau minoritas dan kelas sehat atau kelas mayoritas. Hasil dari penelitian menunjukkan bahwa K-means memiliki nilai evaluasi clustering 0.5 dengan metode Elbow dan nilai akurasi 89%. Penerapan oversampling teknik pada dataset penyakit jantung memberikan peningkatan pada evaluasi elbow menjadi 0.8 dan 93% akurasi. Pada Penelitian ini dataset yang tidak seimbang memberikan nilai akurasi pada missclasification sebesar 4% dari dataset seimbang.
Co-Authors Anugerah Perdana Nazla Andintya Wijaya Nestiawan Ferdiyanto Untoro, Meida Cahyo