Machine Learning Model untuk Prediksi Readmission 30 Hari pada Pasien Gagal Jantung Menggunakan Dataset MIMIC-IV

Adrian Samuel, Walter (2026) Machine Learning Model untuk Prediksi Readmission 30 Hari pada Pasien Gagal Jantung Menggunakan Dataset MIMIC-IV. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (219kB)
	PDF BAB_II.pdf Download (348kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (869kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (211kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (216kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (434kB)
	Archive (ZIP) 00000067030_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Readmission dalam 30 hari pada pasien gagal jantung merupakan salah satu indikator penting kualitas pelayanan kesehatan karena berkaitan dengan peningkatan risiko komplikasi, mortalitas, serta biaya perawatan. Prediksi readmission secara dini dapat membantu tenaga medis dalam mengidentifikasi pasien berisiko tinggi sehingga tindakan pencegahan dapat dilakukan lebih awal. Penelitian ini bertujuan untuk mengembangkan model machine learning untuk memprediksi 30-day readmission pada pasien gagal jantung menggunakan dataset MIMIC-IV serta mengevaluasi pengaruh metode seleksi fitur terhadap performa model. Tahapan penelitian meliputi akuisisi data, pembentukan label readmission, preprocessing data, seleksi fitur menggunakan Feature Importance, Extra Trees, Mutual Information, LASSO, dan ANOVA, pengembangan model menggunakan Random Forest, XGBoost, LightGBM, dan Stacked Ensemble, hyperparameter tuning, threshold tuning, evaluasi performa, serta interpretasi model menggunakan SHapley Additive exPlanations (SHAP). Evaluasi dilakukan menggunakan Stratified 5-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1- Score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa kombinasi Mutual Information dan Stacked Ensemble menghasilkan performa terbaik dengan ROC- AUC sebesar 0,6863, F1-Score sebesar 0,6130, Accuracy sebesar 0,5485, Precision sebesar 0,4669, dan Recall sebesar 0,8922 menggunakan 21 fitur terpilih. Hasil interpretasi SHAP menunjukkan bahwa Length of Stay, Blood Urea Nitrogen (BUN), Glucose, Platelet, dan Charlson Comorbidity Index merupakan faktor yang paling berpengaruh terhadap prediksi readmission. Penelitian ini menunjukkan bahwa kombinasi seleksi fitur dan metode ensemble mampu menghasilkan model prediksi yang kompetitif sekaligus meningkatkan efisiensi penggunaan fitur klinis.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Adrian Samuel, Walter (00000067030)
Contributors:	Agustriawan, David
Keywords:	Heart Failure, Machine Learning, MIMIC-IV, Readmission Prediction, SHAP. xi Machine Learning Model..., Walter Adrian Samuel, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	21 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47789

Actions (login required)

View Item