Penerapan Algoritma K-Nearest Neighbord untuk Prediksi Kematian Akibat Penyakit Gagal Jantung

Dede Reza; Amril Siregar; Rahmat Rahmat

Dede Andri Muhammad Reza Universitas Buana Perjuangan Karawang
Amril Mutoi Siregar Universitas Buana Perjuangan Karawang
Rahmat Rahmat Universitas Buana Perjuangan Karawang

Keywords: Gagal Jantung, Data Mining, Prediksi, Algoritma K-Nearest Neighbor

Abstract

Penyakit kardiovaskular (PKV) menurut definisi dari World Health Organization (WHO) dalam pusdatin Kemenkes RI 2014 yaitu penyakit yang disebabkan oleh gangguan fungsi jantung dan pembuluh darah, seperti penyakit jantung koroner, hipertensi, stroke dan penyakit gagal jantung. Data WHO mengatakan, lebih dari 17 juta manusia di dunia meninggal disebabkan penyakit jantung dan pembuluh darah. Gagal jantung merupakan suatu keadaan dimana jantung tidak dapat memompa darah yang mencukupi untuk kebutuhan tubuh. Mengingat berharganya organ vital seperti jantung, memprediksi gagal jantung telah menjadi prioritas bagi dokter dan tenaga medis, tetapi hingga saat ini prediksi kejadian terkait gagal jantung dalam praktik klinis biasanya gagal mencapai akurasi yang tinggi. Dengan diterapkannya data mining diharapkan dapat menjadi suatu informasi untuk meminimalisir penyakit gagal jantung di Indonesia ataupun dunia. Penelitian ini menggunakan algoritma K-Nearest Neighbord yaitu merupakan algoritma klasifikasi berdasarkan kedekatan jarak suatu data dengan data yang lain. Hasil yang didapat pada peneltian ini yaitu menghitung manual menggunakan Microsoft excelI dengan menggunakan nilsi k=7 yang menghasilkan kategori peristiwa kematian data testing adalah Tidak. Pengujian pada rapidminer dilakukan dengan menggunakan pergantian nilai k, akurasi tertinggi didapat pada nilai k=7 dengan nlai akurasi 94,92%. Kemudian pengujian pada bahasa pemrograman python menghasilkan nilai akurasi 68%.

References

[1] Kementerian Kesehatan RI. (2014). Situasi Kesehatan Jantung.
[2] Kementerian Kesehatan RI. (2019). Hari Jantung Sedunia.
[3] Sari, P. D., Yonata, A., Haryadi, & Swadharma , B. (2016). Penatalaksanaan Gagal Jantung NYHA II disertai Pleurapneumonia pada Laki-laki Usia 38 Tahun. J Medula Unila, 1-6.
[4] Chicco, D., & Jurman, G. (2020). Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone. BMC Medical Informatics and Decision Making, 20(1), 1–16. https://doi.org/10.1186/s12911-020-1023-5
[5] Fiandra, Y. A., Defit, S., & Yuhandri, Y. (2017). Penerapan Algoritma C4.5 untuk Klasifikasi Data Rekam Medis berdasarkan International Classification Diseases (ICD-10). Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(2), 82. https://doi.org/10.29207/resti.v1i2.48
[6] Mardi, Y. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5. Jurnal Edik Informatika, 2(2), 213–219.
[7] Lestari, M. E. I. (2014). Penerapan Algoritma Klasifikasi Nearest Neighbord (K-NN) Untuk Mendeteksi Penyakit Jantung. 7(September 2010), 366–371.
[8] Gultom, F., & Simanjuntak, T. (2020). Prediksi Tingkat Kelancaran Pembayaran Kredit Bank Dengan Menggunakan Algoritma Naïve Bayes Dan K-Nearest Neighbor. METHOMIKA: Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 4(1), 98–102. https://doi.org/10.46880/jmika.v4i2.158
[9] Reza Noviansyah, M., Rismawan, T., & Marisa Midyanti, D. (2018). Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data Aws (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya). Jurnal Coding, Sistem Komputer Untan, 06(2), 48–56. Retrieved from http://jurnal.untan.ac.id/index.php/jcskommipa/article/view/26672
[10] Rosandy, T. (2016). Perbandingan Metode Naive Bayes Classifier dengan Metode Decision Tree Untuk Menganalisa Kelancaran Pembiayaan. Jurnal TIM Darmajaya, 02(01), 52–62.