Perbandingan Algoritma Machine Learning untuk Prediksi Mortalitas 28 Hari pada Pasien Kanker dengan Sepsis Menggunakan Data MIMIC-IV

Ivander, Felix (2026) Perbandingan Algoritma Machine Learning untuk Prediksi Mortalitas 28 Hari pada Pasien Kanker dengan Sepsis Menggunakan Data MIMIC-IV. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (224kB)
	PDF BAB_II.pdf Download (977kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (282kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (896kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (237kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (641kB)
	Archive (ZIP) 00000070040_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Sepsis merupakan salah satu penyebab utama kematian pada pasien kritis, sedangkan pasien kanker memiliki risiko lebih tinggi mengalami sepsis akibat gangguan sistem imun maupun terapi yang dijalani. Tingginya angka mortalitas pada populasi ini mendorong pengembangan model prediksi yang mampu mengidentifikasi pasien berisiko tinggi secara dini. Penelitian ini bertujuan untuk membandingkan performa beberapa algoritma machine learning dalam memprediksi mortalitas 28 hari pada pasien kanker dengan sepsis serta mengidentifikasi faktor-faktor klinis yang paling berpengaruh terhadap prediksi tersebut. Penelitian menggunakan data Medical Information Mart for Intensive Care IV (MIMIC-IV) dengan total 5.405 pasien yang memenuhi kriteria inklusi. Tahapan penelitian meliputi prapemrosesan data, imputasi missing value menggunakan MICE, seleksi fitur menggunakan Backward Stepwise, XGBoost Feature Importance, dan Boruta, serta pembangunan model menggunakan Logistic Regression, Decision Tree, Random Forest, dan XGBoost. Evaluasi dilakukan menggunakan Stratified K-Fold Cross Validation dengan metrik AUC-ROC, Accuracy, F1-Score, Sensitivity, dan Specificity. Hasil penelitian menunjukkan bahwa model Logistic Regression dengan seleksi fitur Backward Stepwise memberikan performa terbaik dengan nilai AUC sebesar 0,7929, Accuracy sebesar 0,7574, F1-Score sebesar 0,5468, Sensitivity sebesar 0,4591, dan Specificity sebesar 0,8973. Analisis seleksi fitur menunjukkan bahwa beberapa variabel dipilih secara konsisten oleh ketiga metode, yaitu SAPS-II, metastatic solid tumor, urine output, BUN, SpO2, heart rate, respiratory rate, dan Charlson Comorbidity Index. Berdasarkan nilai gain pada XGBoost, SAPS-II, metastatic solid tumor, dan urine output merupakan fitur dengan kontribusi terbesar terhadap prediksi mortalitas 28 hari. Hasil penelitian menunjukkan bahwa kombinasi algoritma pembelajaran mesin dan seleksi fitur mampu menghasilkan model prediksi dengan kemampuan diskriminasi yang baik serta mengidentifikasi faktor-faktor klinis penting yang berkontribusi terhadap mortalitas pasien kanker dengan sepsis.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ivander, Felix (00000070040)
Contributors:	Endariahna Surbakti, Eunike
Keywords:	Kanker, Machine learning, MIMIC-IV, sepsis.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:06
URI:	https://kc.umn.ac.id/id/eprint/48362

Actions (login required)

View Item