[2] “Hari Jantung Sedunia (World Heart Day): Your Heart is Our Heart Too,” Kementerian Kesehatan Republik Indonesia. Accessed: Nov. 27, 2023. [Online]. Available: https://p2ptm.kemkes.go.id/kegiatan-p2ptm/pusat-/hari-jantung-sedunia-world-heart-day-your-heart-is-our-heart-too#:~:text=Setidaknya%2C 15 dari 1000 orang,di Indonesia menderita penyakit jantung.
[3] “Myocardial infarction,” WIKIPEDIA. Accessed: Jan. 17, 2024. [Online]. Available: https://en.wikipedia.org/wiki/Myocardial_infarction
[4] I. Iskandar, A. Hadi, and A. Alfridsyah, “Faktor Risiko Terjadinya Penyakit Jantung Koroner pada Pasien Rumah Sakit Umum Meuraxa Banda Aceh,” AcTion Aceh Nutr. J., 2017, doi: 10.30867/action.v2i1.34.
[5] L. Ghani, M. D. Susilawati, and H. Novriani, “Faktor Risiko Dominan Penyakit Jantung Koroner di Indonesia,” Bul. Penelit. Kesehat., 2016, doi: 10.22435/bpk.v44i3.5436.153-164.
[6] S. Scardapane and D. Wang, “Randomness in neural networks: an overview,” Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2017. doi: 10.1002/widm.1200.
[7] S. P. Siregar and A. Wanto, “Analysis of Artificial Neural Network Accuracy Using Backpropagation Algorithm In Predicting Process (Forecasting),” IJISTECH (International J. Inf. Syst. Technol., 2017, doi: 10.30645/ijistech.v1i1.4.
[8] H. M. Nawawi, J. J. Purnama, and A. B. Hikmah, “KOMPARASI ALGORITMA NEURAL NETWORK DAN NAÏVE BAYES UNTUK MEMPREDIKSI PENYAKIT JANTUNG,” J. Pilar Nusa Mandiri, 2019, doi: 10.33480/pilar.v15i2.669.
[9] Euis Saraswati, Yuyun Umaidah, and Apriade Voutama, “Penerapan Algoritma Artificial Neural Network untuk Klasifikasi Opini Publik Terhadap Covid-19,” Gener. J., 2021, doi: 10.29407/gj.v5i2.16125.
[10] M. K. Amril Mutoi Siregar, S.Kom., M.Kom. DAN Adam Puspabhuana, S.Kom., DATA MINING: Pengolahan Data Menjadi Informasi dengan RapidMiner. CV Kekata Group, 2016.
[11] I. Kholis, “Analisis Variasi Parameter Backpropagation Artificial Neural Network Terhadap Pengenalan Pola Data Iris,” J. Tek. Ilmu Komput., 2015.
[12] A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., 2020, doi: 10.30871/jaic.v4i1.2017.
[13] Mufidah Khairani, “Improvisasi Backpropagation menggunakan penerapan adaptive learning rate dan parallel training,” TECHSI-Jurnal Tek. Inform., vol. 6, no. 1, 2014, doi: https://doi.org/10.29103/techsi.v6i1.169.
[14] J. E. N. Pretty Natalia Napitupulu, Abdi Rahim Damanik, “IMPLEMENTASI ALGORITMA BACKPROPAGATION JARINGAN SYARAF TIRUAN UNTUK PREDIKSI ANGKA HARAPAN HIDUP DI KOTA JAMBI,” JPILKOM, vol. 1, no. 1, pp. 10–15, 2023.
[15] M. Siddhartha, “Heart Disease Dataset (Comprehensive),” IEEE Dataport. Accessed: Nov. 27, 2023. [Online]. Available: https://ieee-dataport.org/open-access/heart-disease-dataset-comprehensive
- Abstract viewed - 55 times
- pdf (Bahasa Indonesia) downloaded - 104 times
Affiliations
Aditya Prariyadi Wibowo
Universitas Ahmad Dahlan
Muhammad Irfan Rafi Aqdillah
Universitas Ahmad Dahlan
Ardiyan Rasendriya Prakoso
Universitas Ahmad Dahlan
Tedy Setiadi
Universitas Ahmad Dahlan
How to Cite
PENERAPAN FORECASTING UNTUK MENDETEKSI PENYAKIT JANTUNG DENGAN ALGORITMA ARTIFICIAL NEURAL NETWORK
Vol 13 No 2 (2024): Komputa : Jurnal Ilmiah Komputer dan Informatika
Abstract
Penyakit jantung masih menjadi salah satu tantangan terbesar dalam bidang kesehatan, dengan deteksi dini menjadi kunci untuk pencegahan dan pengobatan yang tepat. Untuk meningkatkan deteksi dini, penelitian ini mengusulkan penggunaan metode analisis prediktif dengan algoritma Artificial Neural Network (ANN) untuk mendeteksi risiko penyakit jantung berdasarkan dataset yang diambil dari IEEE Dataport. Data yang dikumpulkan dari kumpulan data penyakit jantung digunakan untuk melatih dan menguji model ini, dengan tujuan akhir membuat prediksi mengenai keberadaan penyakit jantung dengan tingkat akurasi yang tinggi. Hasil percobaan menunjukkan bahwa model ANN memiliki kemampuan deteksi penyakit jantung yang baik. Untuk mengevaluasi performa model dalam memprediksi keberadaan penyakit jantung, evaluasi model dilakukan dengan menggunakan berbagai metrik performa yang menghasilkan akurasi sebesar 82.83%, presisi 82.89%, recall 82.65%, dan RMSE 0.372. Penelitian ini berkontribusi pada pengembangan sistem deteksi dini menggunakan pendekatan analisis prediktif yang dapat memberikan informasi dalam proses diagnosis penyakit jantung.