Sitanggang, Boy Fransiskus (2023) DETEKSI AWAL KELANGSUNGAN HIDUP PASIEN GAGAL JANTUNG MENGGUNAKAN MACHINE LEARNING METODE RANDOM FOREST. Undergraduate thesis, UNIMED.
4193230018_Cover.pdf
Download (110kB)
4193230018_Lembar_Pengesahan.pdf
Download (296kB)
4193230018_Abstrak.pdf
Download (128kB)
4193230018_Kata_Pengantar.pdf
Download (264kB)
4193230018_Daftar_Isi.pdf
Download (114kB)
4193230018_Daftar_Tabel.pdf
Download (87kB)
4193230018_Daftar_Gambar.pdf
Download (87kB)
4193230018_Daftar_Lampiran.pdf
Download (69kB)
4193230018_BAB_I.pdf
Download (196kB)
4193230018_BAB_V.pdf
Download (114kB)
4193230018_Daftar_Pustaka.pdf
Download (154kB)
Abstract
Penyakit gagal jantung menjadi penyebab kematian tertinggi di dunia dan kedua di Indonesia. Gagal jantung adalah kondisi dimana jantung tidak mampu memompa darah ke jaringan untuk memenuhi kebutuhan metabolisme tubuh. Perkembangan teknologi telah memberikan kontribusi dalam mengatasi permasalahan di berbagai bidang terutama pada bidang kesehatan, salah satunya dalam pengklasifikasian dan deteksi penyakit menggunakan machine learning. Random Forest merupakan metode pembelajaran mesin (machine learning) yang terkenal dan dapat digunakan untuk mengembangkan model prediksi. Penelitian ini bertujuan untuk mengetahui kinerja Random Forest dan hasil peningkatan kinerja menggunakan hyperparameter tuning dalam mendeteksi awal kelangsungan hidup pasien gagal jantung berdasarkan metrik evaluasi model. Data yang digunakan dalam penelitian yaitu data rekam medis 299 pasien yang mengalami gagal jantung diperoleh dari situs resmi UCI Machine Learning Repository. Berdasarkan metrik evaluasi model, kinerja Random Forest sebelum menggunakan hyperparameter tuning mendapatkan akurasi 80%, recall 57.89% dan spesitifitas 90.24%. Hasil kinerja Random Forest menggunakan hyperparameter tuning dengan Random Search mendapatkan akurasi 83,33%, recall 57.89% dan spesitifitas 95.12%. Hasil kinerja Random Forest menggunakan hyperparameter tuning dengan Grid Search mendapatkan akurasi 85%, recall 57.89% dan spesitifitas 97.56%. Penggunaaan hyperparameter tuning dengan Grid Search memiliki kinerja yang terbaik sehingga model dapat digunakan dalam mendeteksi awal status keselamatan atau kelangsungan hidup pasien gagal jantung dengan baik
Item Type: | Thesis (Undergraduate) |
---|---|
Keywords: | Gagal Jantung, Machine Learning, Random Forest, Hyperparameter Tuning |
Subjects: | Q Science > QA Mathematics > QA71 Instruments and machines Q Science > QA Mathematics > QA75 Calculating machines |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
Depositing User: | Mrs Gusti Lisa Utami |
Date Deposited: | 20 May 2024 03:21 |
Last Modified: | 20 May 2024 03:21 |
URI: | https://digilib.unimed.ac.id/id/eprint/57104 |