Analisis Komparatif Model Pembelajaran Mesin Untuk Memprediksi Hipertensi Ke Dalam Empat Kelas

Yusup, Ramdhan Maulana (2024) Analisis Komparatif Model Pembelajaran Mesin Untuk Memprediksi Hipertensi Ke Dalam Empat Kelas. Masters thesis, Universitas Komputer Indonesia.

	Text UNIKOM_Ramdhan Maulana Yusup_Cover.pdf - Published Version Download (198kB)
	Text UNIKOM_Ramdhan Maulana Yusup_Lembar Pengesahan.pdf - Published Version Download (153kB)
	Text UNIKOM_Ramdhan Maulana Yusup_Surat Keterangan Persetujuan Publikasi.pdf - Published Version Download (83kB)
	Text UNIKOM_Ramdhan Maulana Yusup_Surat Pernyataan.pdf - Published Version Download (98kB)
	Text UNIKOM_Ramdhan Maulana Yusup_Kata Pengantar.pdf - Published Version Download (89kB)
	Text UNIKOM_Ramdhan Maulana Yusup_Daftar Isi.pdf - Published Version Download (130kB)
	Text UNIKOM_Ramdhan Maulana Yusup_BAB I.pdf - Published Version Download (181kB)
	Text UNIKOM_Ramdhan Maulana Yusup_BAB II.pdf - Published Version Download (543kB)
	Text UNIKOM_Ramdhan Maulana Yusup_BAB III.pdf - Published Version Restricted to Repository staff only Download (965kB) | Request a copy
	Text UNIKOM_Ramdhan Maulana Yusup_BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text UNIKOM_Ramdhan Maulana Yusup_BAB V.pdf - Published Version Download (92kB)
	Text UNIKOM_Ramdhan Maulana Yusup_Daftar Pustaka.pdf - Published Version Download (221kB)
	Text UNIKOM_Ramdhan Maulana Yusup_Kontak Penulis dan Kontributor Penelitian.pdf - Published Version Download (120kB)

Abstract

Teknologi pembelajaran mesin telah muncul sebagai alat untuk memprediksi hipertensi dengan algoritma seperti Random Forest, Support Vector Machine (SVM), Gradient Boosting, dan XGBoost. Namun, sebagian besar penelitian sebelumnya mengkategorikan hipertensi menjadi dua kelompok berdasarkan ketentuan World Health Organization (WHO), yaitu normal dan hipertensi, yang kurang memberikan informasi rinci untuk penatalaksanaan optimal. Laporan kedelapan dari Joint National Committee 8 (JNC 8) memperkenalkan klasifikasi yang lebih rinci ke dalam empat kelas: normal, prehipertensi, hipertensi stadium 1, dan hipertensi stadium 2, yang memungkinkan penilaian risiko yang lebih spesifik dan personal. Digunakan dua dataset yang berbeda untuk mengevaluasi kinerja model, yaitu dataset dengan atribut faktor risiko yang mudah dikumpulkan (easy-to-collect), dan dataset dengan tambahan atribut biokimia berupa gula darah, kolesterol, dan trigliserida. Pendekatan langsung dan tidak langsung juga diterapkan untuk menganalisis pengaruhnya terhadap kinerja model. Validasi internal dan eksternal digunakan untuk mengevaluasi kinerja model, dimana pada validasi internal digunakan 10-fold cross validation. Hasil menunjukkan bahwa penambahan atribut biokimia secara signifikan meningkatkan kinerja model pembelajaran mesin dalam hal akurasi, precision, recall, specificity, F1-score, dan AUC. Pendekatan tidak langsung menunjukkan peningkatan nilai akurasi model, meski disertai dengan penurunan nilai AUC. Kinerja terbaik didapatkan oleh algortima XGBoost, dimana validasi internal dan eksternal menunjukkan nilai akurasi tertinggi dengan menggunakan pendekatan tidak langsung sebesar 86,38% dan 80.22%, sedangkan AUC tertinggi didapatkan dengan pendekatan langsung dengan nilai sebesar 97.25% dan 94.54%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	faktor risiko, hipertensi, klasifikasi multi kelas, pembelajaran mesin
Subjects:	000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 004_Data Processing & Computer Science Q Science > QA Mathematics > QA76 Computer software
Divisions:	S2 PASCA SARJANA > S2_Magister Sistem Informasi (51)
Depositing User:	Mia Mia Hayati Kosasih
Date Deposited:	15 May 2025 03:32
Last Modified:	15 May 2025 03:32
URI:	http://elibrary.unikom.ac.id/id/eprint/10227

Actions (login required)

View Item