Analisis Penyakit Jantung Menggunaakan Metode Naïve Bayes & Support Vector Machine (SVM)

Tasya Kamila

doi:10.55338/jumin.v7i5.7826

Authors

Tasya Kamila Universitas Pamulang

DOI:

https://doi.org/10.55338/jumin.v7i5.7826

Keywords:

Data mining, Classification, Naive Bayes, SVM, Orange Data Mining, Cross Validation, Confusion Matrix, ROC Analysis

Abstract

Tujuan utama dari penelitian ini adalah untuk menentukan model Klasifikasi antara Naive Bayes / Support Vector Machine (SVM) yang memiliki akurasi atau kinerja terbaik dalam memprediksi penyakit jantung terhadap data yang digunakan. Untuk mencari pengetahuan, proses KDD (Knowledge Discovery in Database) diterapkan dari proses preprocessing data, penambangan data, dan evaluasi hasil. Hasil klasifikasi kedua model tersebut kemudian dievaluasi dengan Test and Score (Cross Validation), Confusion Matric & ROC Analysis pada Orange mining. Hasil akhirnya, SVM lebih unggul dalam akurasi dan kinerja terbaik jika dibandingkan (Model Validasi Silang K-fold 10 dengan pembagian pelatihan 80:20 pengujian) Matriks Akurasi 92,3%, Skor F1 92,7%, Presisi 90,6%, Recall 94,9%, lebih unggul dari setiap matriks dibandingkan dengan Naive Bayes dengan nilai Akurasi 84,6%, F1-Score 85,2%, Presisi 84,1%, Recall 86,3% kemudian dalam Evaluasi Confusion Matriks Naive Bayes True Positive= 454, False Negatif= 72 dan model SVM True Positive= 499, False Negative= 27, SVM lebih unggul, kemudian pada Evaluasi ROC Analysis hasil SVM dengan nilai 0.8 di atas nilai dari Naive Bayes dengan nilai 0.6, Hasil Evaluasi menyimpulkan bahwa model dengan performa terbaik adalah SVM.

Downloads

Download data is not yet available.

References

K. K. R. Biro Komunikasi dan Pelayanan Publik, “Kenali Gejala Jantung Sejak Dini,” kemenkes. Available: https://kemkes.go.id/id/kenali-gejala-jantung-sejak-dini

S. Aisyah, A. C. Sembiring, D. Sitanggang, and Robert, Buku Monograf Association Rule. 2023.

D. H. N. Prof. Dr. Ermatita, Erwin Dwika Putra M.Kom., Marissa Utami, M.Kom., Muhammad Apriliansyah R, M.Kom., Winata Nugraha, M.Kom., Kecerdasan Artifisial Untuk Citra Digital. 2025. [Online]. Available: https://books.google.co.id/books?id=ZWxyEQAAQBAJ&printsec=frontcover#v=onepage&q&f=false

G. W. N. Dicky Nofriansyah, Algoritma Data Mining Dan Pengujian. 2015. [Online]. Available: https://books.google.co.id/books?hl=en&lr=&id=fcBVEQAAQBAJ&oi=fnd&pg=PR4&dq=Nurcahyo,+D.+N.+dan+G.+W.+(2015).+Algoritma+Data+Mining+dan+Pengujian+(p.+17).+Deepublish.+android:+&ots=G2WaoYkjI0&sig=CjxgbfzMSqMgNCynTlnKJa42tvQ&redir_esc=y#v=onepage&q&f=false

A. D. H. Adinda Nabilla M, Abraham Adrian Y. L, Ahmad Indra J, Yudi Arya S, Sumanto, “Komparasi Naive Bayes dan SVM untuk Analisis Sentimen Pada E-Commerce Seller Center,” vol. 5, no. 3, pp. 199–208, 2025.

A. F. Watratan, A. P. B, D. Moeis, S. Informasi, and S. P. Makassar, “JOURNAL OF APPLIED COMPUTER SCIENCE AND TECHNOLOGY ( JACOST ) Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia,” vol. 1, no. 1, pp. 7–14, 2020.

F. Amaliah and I. K. Dwi Nuryana, “Perbandingan Akurasi Metode Lexicon Based Dan Naive Bayes Classifier Pada Analisis Sentimen Pendapat Masyarakat Terhadap Aplikasi Investasi Pada Media Twitter,” J. Informatics Comput. Sci., vol. 3, no. 03, pp. 384–393, 2022, doi: 10.26740/jinacs.v3n03.p384-393.

S. Rahayu and Y. Yamasari, “Klasifikasi Penyakit Stroke dengan Metode Support Vector Machine (SVM),” J. Informatics Comput. Sci., vol. 5, no. 03, pp. 440–446, 2024, doi: 10.26740/jinacs.v5n03.p440-446.

Z. Arifin et al., “Penerapan Algoritma Support Vector Machine Berbasis Kernel Radial Basis Function dalam Klasifikasi Sel Kanker,” vol. 4, no. 2, pp. 100–106, 2023.

D. Irawan, E. B. Perkasa, Y. Yurindra, D. Wahyuningsih, and E. Helmud, “Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 10, no. 3, pp. 432–437, 2021, doi: 10.32736/sisfokom.v10i3.1302.

A. A. Astafah, I. S. Habibba, and S. T. Prayoga, “Pemetaan Efektivitas Anggaran Kementerian Pada Tahun 2023 Melalui Klasterisasi Dengan Orange Data Mining,” Integr. Perspect. Soc. …, vol. 2, no. 3, pp. 6236–6254, 2023, [Online]. Available: https://ipssj.com/index.php/ojs/article/view/787%0Ahttps://ipssj.com/index.php/ojs/article/download/787/717

M. W. simon kamm, Nasser Jazdi, “ScienceDirect ScienceDirect Knowledge Discovery in Heterogeneous and Unstructured Data of Industry Knowledge Discovery in Design Heterogeneous and Unstructured Nantes , France Data of Industry 4 . 0 Systems : Challenges and Approaches 4 . 0 Systems : Chal,” Procedia CIRP, vol. 104, pp. 975–980, 2021, doi: 10.1016/j.procir.2021.11.164.

G. Gunadi and D. I. Sensuse, “Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-Growth ) :,” Telematika, vol. 4, no. 1, pp. 118–132, 2012.

M. D. Jannah, A. Fauzi, C. Emilia, and H. Hikmayanti, “Klasifikasi Penyakit Hipertensi Menggunakan Support Vector Machine dan Naive Bayes,” J. Algoritm., vol. 22, no. 1, pp. 905–913, 2025, doi: 10.33364/algoritma/v.22-1.2316.

A. Desiani et al., “PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) DAN NAÏVE,” vol. 10, no. 1, pp. 65–74, 2024.

T. Wigung, A. Prayitna, I. Yuadi, and U. Airlangga, “Implementation of Orange Data Mining for,” vol. 5, no. 5, pp. 5203–5214, 2025.

N. Nurwanda, N. Suarna, and W. Prihartono, “Penerapan Nlp (Natural Language Processing) Dalam Analisis Sentimen Pengguna Telegram Di Playstore,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1841–1846, 2024, doi: 10.36040/jati.v8i2.8469.

N. F. S. Eliana Tangkelobo, Wisye Mayaut, Hanjian Listanto, Iwan Binanto, “Perbandingan Algoritma Klasifikasi Random Forest, Gaussian Naive Bayes, dan K-Nearest untuk Data Tidak Seimbang dan Data yang diseimbangkan dengan metode Random Undersampling pada dataset LCMS Tanaman Keladi Tikus,” Pros. Sains Nas. dan Teknol., vol. 13, no. 1, pp. 156–160, 2023, doi: 10.36499/psnst.v13i1.9002.

B. G. Marcot and A. M. Hanea, “What is an optimal value of k in k-fold cross-validation in discrete Bayesian network analysis?,” Comput. Stat., vol. 36, no. 3, pp. 2009–2031, 2021, doi: 10.1007/s00180-020-00999-9.

A. M. Japany and Y. T. Wijaya, “Penanganan Imbalance Data pada Klasifikasi Kabupaten/Kota di Kawasan Timur Indonesia Handling of Data Imbalance in Classification of Regencies/Municipalities in Eastern Indonesia,” Sist. J. Sist. Inf., vol. 13, no. 1, pp. 2540–9719, 2024, [Online]. Available: http://sistemasi.ftik.unisi.ac.id