ANALISIS PENYAKIT JANTUNG DENGAN PCA UNTUK IDENTIFIKASI KESEHATAN KARDIOVASKULAR
Article Sidebar
Read Counter : 8
Download : 0
Main Article Content
Abstract
Tujuan dari penelitian ini membahas analisis data klinis untuk mengidentifikasi risiko penyakit jantung menggunakan metode unsupervised learning. Metode yang digunakan adalah Principal Component Analysis (PCA) untuk reduksi dimensi data numerik, dan K-Medoids Clustering untuk mengelompokkan pasien berdasarkan kemiripan atribut klinis. Dataset heart.csv yang digunakan mencakup variabel numerik dan kategorikal, seperti tekanan darah, kolesterol, jenis kelamin, dan hasil EKG. Outlier dideteksi menggunakan Mahalanobis Distance, kemudian dilakukan clustering pada variabel kontinu dengan PCA dan jarak Euclidean, serta pada variabel diskrit dengan jarak Hamming dan visualisasi t-SNE. Hasil clustering menunjukkan adanya kelompok pasien dengan karakteristik klinis serupa yang mencerminkan tingkat risiko penyakit jantung yang berbeda. Kombinasi PCA dan K-Medoids terbukti efektif untuk mengungkap pola risiko secara visual dan sistematis, sehingga berpotensi mendukung pengambilan keputusan klinis
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] A. O. Salau, T. A. Assegie, E. D. Markus, J. N. Eneh, and T. I. Ozue, "Prediction of the risk of developing heart disease using logistic regression," International Journal of Electrical & Computer Engineering (2088-8708), vol. 14, no. 2, 2024.
[2] D. Triyono, R. Liani, A. Wahyu Utami, S. Tristiyanti, and A. Supriatna, “PENYAKIT JANTUNG KORONER DI INDONESIA: PERAN FAKTOR RISIKO DAN UPAYA PENCEGAHAN”, HUMANIS: Jurnal Ilmu-Ilmu Sosial dan Humaniora, vol. 17, no. 1, pp. 86-94, Jan. 2025.
[3] P. Sathyaprakash, P. Alagarsundaram, M. V. Devarajan, A. Alkhayyat, P. Poovendran, D. R. Rani, and V. Savitha, "Medical practitioner-centric heterogeneous network powered efficient E-Healthcare risk prediction on Health Big Data," International Journal of Cooperative Information Systems, vol. 34, no. 02, p. 2450012, 2025.
[4] P. Sree, K. Joshi, and S. Jadhav, "A comprehensive analysis on risk prediction of heart disease using machine learning models," Int. J. Res. Inf. Technol. Comput. Commun., vol. 11, no. 11s, p. 8295, 2023.
[5] T. M. Usman, Y. K. Saheed, I. Djitog, and A. Nsang, "Diabetic retinopathy detection using principal component analysis multi-label feature extraction and classification," International Journal of Cognitive Computing in Engineering, vol. 4, pp. 78–88, 2023.
[6] D. Hediyati dan I. M. Suartana, “Penerapan Principal Component Analysis untuk Reduksi Dimensi pada Data Pertanian,” Jurnal Matematika, vol. 8, no. 1, pp. 45–52, 2020.
[7] R. A. et al., "Perbandingan Algoritma K-Means dan K-Medoid dalam Pengelompokan Data Pasien Berdasarkan Rekam Medis di Puskesmas M. Thaha Bengkulu Selatan," Journal of Science and Social Research, vol. 6, no. 3, pp. 580–586, Oct. 2023.
[8] D. R. P. Sari, "Metode Principal Component Analysis (PCA) sebagai Penanganan Asumsi Multikolinearitas," *PARAMETER: Jurnal Matematika, Statistika dan Terapannya*, vol. 2, no. 02, pp. 115–124, 2023.
[9] A. Riyadi and F. Fauziah, "Algoritma Principal Component Analysis untuk Meningkatkan Performa Fuzzy C-Means pada Klasterisasi Dataset Berdimensi Tinggi," *Jurnal Ilmiah Teknologi dan Rekayasa*, vol. 29, no. 2, pp. 99–115, 2024.
[10] I. N. Y. Setyawan and L. P. A. S. Tjahyanti, "Optimasi Sistem Pengenalan Wajah Dengan Teknik Pengolahan Citra Untuk Meningkatkan Akurasi dan Efisiensi," *KOMTEKS*, vol. 3, no. 1, 2024.
[11] R. A. Yusda, R. Risnawati, S. Santoso, P. Z. M. Siregar, and W. P. Nurani, "Analisa Model Clustering Untuk Pemetaan Kualitas Lulusan Mahasiswa Berdasarkan Dataset Tracer Study," *TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi*, vol. 4, no. 2 (SEMNASTIK), pp. 18–23, 2024.
[12] J. E. Simarmata, M. G. B. Bifel, and F. Mone, "Identifikasi Pengaruh Fasilitas Belajar Terhadap Hasil Belajar Matematika Peserta Didik Menggunakan Pendekatan Structural Equation Modeling," *Jurnal Jendela Matematika*, vol. 3, no. 01, pp. 27–35, 2025.
[13] R. Meiyanti, M. M. Munauwar, R. Fitria, and H. A. Kautsar, "Implementasi Algoritma K-Medoid pada Clustering Sayuran Unggulan di Kabupaten Aceh Utara," *TEKNIKA*, vol. 19, no. 1, pp. 327–337, 2025.
[14] N. Almajid, P. D. Atika, and K. F. Ramdhania, "Regional Mapping Based on Tourism Destinations in West Java: K-Medoid Clustering Analysis," International Journal on Information and Communication Technology (IJoICT), vol. 10, no. 2, pp. 287–296, 2024.
[15] B. He, R. Guo, M. Li, Y. Jing, Z. Zhao, W. Zhu, C. Zhang, C. Zhang, and D. Ma, "The fractal or scaling perspective on progressively generated intra-urban clusters from street junctions," International Journal of Digital Earth, vol. 16, no. 1, pp. 1944–1961, 2023, doi: 10.1080/17538947.2023.2218118.
[16] K. Cabello-Solorzano, I. Ortigosa de Araujo, M. Peña, L. Correia, and A. J. Tallón-Ballesteros, "The impact of data normalization on the accuracy of machine learning algorithms: a comparative analysis," in International Conference on Soft Computing Models in Industrial and Environmental Applications, 2023, pp. 344–353.