Klasifikasi penyakit jantung menggunakan metode extreme learning machine (ELM) dengan penanganan outlier one-class support vector machine

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Ariyanto, Dimas (2024) Klasifikasi penyakit jantung menggunakan metode extreme learning machine (ELM) dengan penanganan outlier one-class support vector machine. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Dimas Ariyanto_09020221026 OK.pdf Download (1MB)
	Text Dimas Ariyanto_09020221026 Full.pdf Restricted to Repository staff only until 8 January 2028. Download (8MB)

Abstract

Penyakit jantung adalah penyebab utama kematian di seluruh dunia. Berdasarkan data dari World Health Organization (WHO), penyakit kardiovaskular mencapai 32% dari seluruh kematian global, terutama di negara-negara berkembang dimana faktor risiko seperti hipertensi, diabetes, dan gaya hidup yang tidak sehat umum terjadi. Pentingnya diagnosa yang tepat memiliki peran krusial dalam pengelolaan dan perawatan penyakit jantung. Kemajuan teknologi membawa perubahan signifikan dalam pengelolaan penyakit jantung dengan memungkinkan analisis data yang lebih kompleks dan akurat. Metode Extreme Learning Machine (ELM) menawarkan solusi potensial dengan kemampuan untuk menganalisis data yang kompleks dan akurat dengan waktu komputasi relatif cepat. Tujuan dari penelitian ini adalah untuk mengklasifikasikan penyakit jantung menggunakan metode ELM dengan penanganan outlier One-Class SVM. Dataset yang digunakan dalam penelitian ini adalah pembaruan tahun 2024 yang bersumber dari University of California, Irvine Machine Learning Repository, yang terdiri dari 1190 jumlah dataset dengan 12 kolom fitur berdasarkan kondisi klinis, termasuk 11 variabel independen dan 1 variabel dependen. Variabel dependen ini terdiri dari 2 label yaitu normal dan terindikasi penyakit jantung. ELM dioptimalkan dengan parameter hidden neuron (300, 450, 600) dan fungsi aktivasi (Sigmoid, Tanh, Linear), serta pembagian data menggunakan metode K-Fold Cross Validation (K-Fold 5 dan K-Fold 10). Hasil terbaik diperoleh dengan 450 hidden neuron, fungsi aktivasi Tanh, dan K-Fold 10, yang memberikan akurasi sebesar 100%. Penanganan outlier terbukti efektif dalam meningkatkan kinerja model dan ELM dengan penanganan outlier mampu mengklasifikasikan penyakit jantung secara akurat, terutama dengan kombinasi parameter yang optimal.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Ariyanto, Dimas dimasariyanto830@gmail.com 09020221026
Contributors:	Contribution Name Email NIDN Thesis advisor Hamid, Abdulloh doelhamid@uinsa.ac.id 2028088501 Thesis advisor Novitasari, Dian Candra Rini diancrini@uinsa.ac.id 2024118502
Subjects:	Matematika
Keywords:	ELM; Klasifikasi; Penyakit Jantung; One-Class SVM
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Dimas Dimas Ariyanto
Date Deposited:	08 Jan 2025 08:13
Last Modified:	08 Jan 2025 08:13
URI:	http://digilib.uinsa.ac.id/id/eprint/75175

Actions (login required)

View Item