DETEKSI AWAL KELANGSUNGAN HIDUP PASIEN GAGAL JANTUNG MENGGUNAKAN MACHINE LEARNING METODE RANDOM FOREST

Sitanggang, Boy Fransiskus (2023) DETEKSI AWAL KELANGSUNGAN HIDUP PASIEN GAGAL JANTUNG MENGGUNAKAN MACHINE LEARNING METODE RANDOM FOREST. Undergraduate thesis, UNIMED.

[thumbnail of 4193230018_Cover.pdf] Text
4193230018_Cover.pdf

Download (110kB)
[thumbnail of 4193230018_Lembar_Pengesahan.pdf] Text
4193230018_Lembar_Pengesahan.pdf

Download (296kB)
[thumbnail of 4193230018_Abstrak.pdf] Text
4193230018_Abstrak.pdf

Download (128kB)
[thumbnail of 4193230018_Kata_Pengantar.pdf] Text
4193230018_Kata_Pengantar.pdf

Download (264kB)
[thumbnail of 4193230018_Daftar_Isi.pdf] Text
4193230018_Daftar_Isi.pdf

Download (114kB)
[thumbnail of 4193230018_Daftar_Tabel.pdf] Text
4193230018_Daftar_Tabel.pdf

Download (87kB)
[thumbnail of 4193230018_Daftar_Gambar.pdf] Text
4193230018_Daftar_Gambar.pdf

Download (87kB)
[thumbnail of 4193230018_Daftar_Lampiran.pdf] Text
4193230018_Daftar_Lampiran.pdf

Download (69kB)
[thumbnail of 4193230018_BAB_I.pdf] Text
4193230018_BAB_I.pdf

Download (196kB)
[thumbnail of 4193230018_BAB_V.pdf] Text
4193230018_BAB_V.pdf

Download (114kB)
[thumbnail of 4193230018_Daftar_Pustaka.pdf] Text
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

Actions (login required)

View Item
View Item