PERBANDINGAN ALGORITMA RANDOM FOREST DAN DECISION TREE DALAM MEMPREDIKSI RESIKO TERKENA PENYAKIT JANTUNG

Kurniawan, Irsan and Saleh, Sushanty (2025) PERBANDINGAN ALGORITMA RANDOM FOREST DAN DECISION TREE DALAM MEMPREDIKSI RESIKO TERKENA PENYAKIT JANTUNG. Skripsi thesis, Institut Informatika dan Bisnis Darmajaya.

	Text COVER.pdf Download (315kB)
	Text PERNYATAAN.pdf Download (162kB)
	Text HALAMAN PENGESAHAN.pdf Download (136kB)
	Text HALAMAN PERSEMBAHAN.pdf Download (195kB)
	Text MOTTO.pdf Download (182kB)
	Text ABSTRAK.pdf Download (255kB)
	Text DAFTAR ISI.pdf Download (238kB)
	Text BAB I.pdf Download (275kB)
	Text BAB II.pdf Download (826kB)
	Text BAB III.pdf Download (499kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (264kB)
	Text DAFTAR PUSTAKA.pdf Download (257kB)
	Text LAMPIRAN.pdf Download (1MB)

Abstract

Penyakit jantung merupakan penyebab utama kematian di dunia, dengan lebih dari 17 juta kematian setiap tahunnya. Algoritma yang digunakan yaitu Random Forest dan Decision Tree. Decision Tree dipilih karena kemudahannya dalam interpretasi, sedangkan Random Forest dipilih karena kemampuannya dapat meningkatkan akurasi dan mengurangi overfitting dengan menggabungkan beberapa pohon keputusan. Penelitian ini bertujuan mengatasi masalah ini dengan mengidentifikasi model machine learning yang paling efektif untuk memprediksi risiko penyakit jantung. Dengan membandingkan kedua algoritma ini, penelitian ini menemukan metode yang paling efektif untuk memprediksi penyakit jantung. Perbandingan dilakukan menggunakan beberapa metrik evaluasi seperti accuracy, precision, recall, dan F1-score. Hasil evaluasi menunjukan bahwa Random Forest secara signifikan lebih unggul dari Decision Tree, mencapai accuracy 0.96, precision 0.97, recall 0.94, dan F1-score 0.96. Sementara itu, Decision Tree hanya memperoleh accuracy, recall, dan F1-score 0.93 dengan precision 0.92, menunjukkan performa yang kurang optimal. Oleh karena itu, Random Forest terbukti lebih efektif dan akurat dalam mendeteksi penyakit jantung, menjadikannya pilihan algoritma yang lebih baik untuk diagnosis dini.

Item Type:	Thesis (Skripsi)
Subjects:	Ilmu Komputer eSkripsi
Divisions:	Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	Irsan Kurniawan Irsan
Date Deposited:	21 Oct 2025 02:43
Last Modified:	21 Oct 2025 02:43
URI:	http://repo.darmajaya.ac.id/id/eprint/22990

Actions (login required)

View Item