Perbandingan Kinerja Model Random Forest, Support Vector Machine, dan Logistic Regression dalam Memprediksi Gagal Jantung pada Pasien ICU

Jonathan Budiman, Vincent (2025) Perbandingan Kinerja Model Random Forest, Support Vector Machine, dan Logistic Regression dalam Memprediksi Gagal Jantung pada Pasien ICU. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (3MB)
	PDF BAB_I.pdf Download (381kB)
	PDF BAB_II.pdf Download (799kB)
	PDF BAB_III.pdf Download (527kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Download (356kB)
	PDF DAFTAR_PUSTAKA.pdf Download (358kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (777kB)

Abstract

Penyakit gagal jantung merupakan salah satu penyebab mortalitas tertinggi di kalangan pasien Intensive Care Unit (ICU), sehingga menuntut adanya metode deteksi dini yang efektif untuk mencegah komplikasi fatal. Kemajuan teknologi machine learning menawarkan potensi besar untuk membantu proses prediksi dan pengambilan keputusan klinis secara lebih cepat dan akurat. Penelitian ini bertujuan untuk membandingkan secara komprehensif kinerja tiga algoritma klasifikasi--Random Forest, Support Vector Machine (SVM), dan Logistic Regression--dalam memprediksi risiko gagal jantung pada pasien ICU dengan memanfaatkan dataset klinis komprehensif MIMIC- IV. Mengadopsi kerangka kerja CRISP-DM, penelitian ini melalui proses yang sistematis mulai dari persiapan data, pemodelan, hingga evaluasi. Hasil evaluasi menunjukkan adanya trade-off yang signifikan antar model: Random Forest menunjukkan performa diskriminatif terbaik secara keseluruhan dengan akurasi 89,47% dan ROC-AUC 0,9401. Sebaliknya, SVM, meskipun dengan akurasi lebih rendah (81,58%), memiliki nilai recall tertinggi sebesar 66,67%. Analisis lebih lanjut menggunakan feature importance dari Random Forest mengidentifikasi bahwa detak jantung (heart rate), saturasi oksigen (O2 saturation), dan usia (anchor age) adalah tiga faktor prediktor yang paling berpengaruh secara berurutan. Dengan mempertimbangkan konteks penerapan di lingkungan klinis, di mana kegagalan mendeteksi kondisi kritis (false negative) membawa risiko yang jauh lebih besar, model SVM dinilai sebagai yang paling efektif dan tepat. Kemampuan superior SVM dalam hal recall memastikan sistem dapat meminimalkan risiko terlewatnya pasien yang memerlukan intervensi medis segera, menjadikannya pilihan yang paling bertanggung jawab dan dapat diandalkan untuk implementasi nyata dalam sistem pendukung keputusan klinis di ICU.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Gagal Jantung, ICU, MIMIC-IV, Pembelajaran Mesin, Prediksi
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	05 Jul 2025 11:14
Last Modified:	05 Jul 2025 11:14
URI:	https://kc.umn.ac.id/id/eprint/37739

Actions (login required)

View Item