PERBANDINGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) DAN SUPPORT VECTOR MACHINE (SVM) UNTUK PREDIKSI PENYAKIT JANTUNG KORONER

Dewasa ini, kecermatan dan ketepatan dalam hal klasifikasi data merupakan hal yang sangat penting. Hasil klasifikasi data dengan beberapa metode yang telah dikembangkan akan mempengaruhi sejumlah keputusan. Machine learning berpotensi untuk membantu mengambil sebuah keputusan yang sederhana namun akurat. Metode-metode pada machine learning telah banyak digunakan dalam banyak aplikasi, salah satunya adalah pada permasalahan prediksi penyakit. Penelitian ini menampilkan kinerja dari metode Learning Vector Quantization (LVQ) dan support vector machine (SVM). Tujuan penelitian ini adalah untuk membandingkan kinerja LVQ dan SVM dalam memprediksi penyakit jantung koroner. Dataset yang digunakan yaitu data rekam medis yang terdiri dari jenis kelamin, usia, pekerjaan, kadar glukosa, kadar kolesterol, kadar trigliserida, kadar Lactic Dhydrogenas, kadar Density Lipoprotein dan kadar asam urat. Data ditraining dengan menggunakan kedua metode tersebut. Setelah semua data sampel ditraining, selanjutnya hasil training keduanya dibandingkan untuk melihat performansi masing-masing metode dengan permasalahan penyakit jantung koroner. Meskipun arsitektur dari kedua metode memberikan performansi klasifikasi yang hampir sama, namun terlihat bahwa jaringan SVM memberikan tingkat akurasi yang lebih tinggi yaitu sebesar 90.2778 dibandingkan jaringan LVQ sebesar 68.0556.