PENERAPAN MACHINE LEARNING PADA PREDIKSI PENYAKIT STROKE

Sanjaya, Aldi Prasetya (2024) PENERAPAN MACHINE LEARNING PADA PREDIKSI PENYAKIT STROKE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (250kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (894kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (409kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (539kB)
	Text (BAB V) BAB V.pdf Download (79kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (229kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3515.zip Restricted to Repository staff only Download (615kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (798kB)

Abstract

Penelitian ini bertujuan untuk menganalisis hubungan antara faktor risiko hipertensi (merokok, aktivitas fisik dan konsumsi garam), prevalensi hipertensi dan prevalensi diabetes melitus dengan perbedaan prevalensi stroke di berbagai provinsi di Indonesia. Riset Kesehatan Dasar (Riskesdas) 2007 di 33 provinsi menunjukkan bahwa prevalensi stroke adalah 8,2 per 1000 penduduk, dan prevalensi tertinggi berasal dari provinsi Aceh (16,6/‰). Terdapat 11 rumah sakit yang terlibat dalam penelitian epidemiologi ini. Hasil: 1807 pasien stroke yang dikumpulkan dari Oktober 2012 - April 2013, stroke iskemik merupakan kasus terbanyak (67,1%) dan hemoragik 32,9%. dan hipertensi merupakan faktor risiko yang paling banyak ditemukan baik untuk perdarahan (71,2%) maupun stroke iskemik (63,4%), disusul diabetes melitus dan dislipidemia. Kematian tercatat 20,3% kematian setelah 48 jam, 18,3% ≤ 48 jam pada stroke perdarahan, dibandingkan dengan 8,3% kematian pada stroke iskemik setelah 48 jam, dan 3,5% ≤ 48 jam. Penelitian ini melakukan prediksi penyakit stroke dengan menerapkan beberapa algoritma Machine Learning, seperti Naïve Bayes, Random Forest, dan Logistic Regression. Dataset yang digunakan dalam penelitian ini berisi faktorfaktor yang dapat menyebabkan penyakit stroke. Penelitian ini menggunakan beberapa metrik evaluasi seperti akurasi, presisi, recall, f1-score dan Area Under Curve (AUC) untuk memilih model terbaik dari ketiga algoritma tersebut. Penelitian membuktikan bahwa Naïve Bayes mencapai akurasi sebesar 71,34%, Random Forest sebesar 95%, Logistic Regression sebesar 72,78%, K-Nearest Neighbors sebesar 88,42%, Gradient Boosting sebesar 82,55%, dan Decision Tree sebesar 92,23%. Penelitian ini memberikan gambaran mengenai manfaat penerapan Machine Learning dalam melakukan prediksi penyakit stroke. Penerapan Machine Learning dalam melakukan prediksi penyakit stroke dapat membantu dunia medis mendiagnosa penyakit dengan lebih awal.

Actions (login required)

View Item