Please use this identifier to cite or link to this item:
http://repository.ipb.ac.id/handle/123456789/148205
Title: | Prediksi Kelangsungan Hidup Pasien Gagal Jantung Menggunakan Metode Machine Learning Regresi Logistik, Support Vector Machine, dan Random Forest |
Other Titles: | Prediction of Survival in Heart Failure Patients with Machine Learning Method Logistic Regression, Support Vector Machine, and Random Forest |
Authors: | Sumarno, Hadi Julianto, Mochamad Tito Farabi, Azali |
Issue Date: | Mar-2024 |
Publisher: | IPB University |
Abstract: | Kardiovaskular merupakan gangguan pada jantung dan pembuluh darah seperti coronary heart disease. Penyakit ini setiap tahunnya membunuh sekitar 17 juta orang di seluruh dunia dengan penyakit utamanya adalah gagal jantung dan infark miokard. Pendekatan dalam prediksi kelangsungan hidup pasien gagal jantung umumnya dengan menggunakan metode New York Heart Association(NYHA) dengan empat kelas utamanya, tetapi metode ini gagal memprediksi fitur dasar dan gagal mencapai akurasi yang tinggi. Penelitian ini menggunakan pendekatan machine learning dengan tiga model prediksi yaitu regresi logistik, support vector machine, dan random forest. Model random forest mempunyai kinerja paling baik yang disusul oleh regresi logistik, kemudian support vector machine. Setiap model memberikan tiga fitur kuat utama dalam memprediksi variabel target yaitu time, ejection fraction, dan serum creatinine. Pengambilan keputusan hasil simulasi prediksi dilakukan dengan melihat kelas terbanyak yang muncul pada hasil prediksi yang diberikan oleh setiap model dengan urutan randomforest, regresi logistik, kemudian support vector machine. |
URI: | http://repository.ipb.ac.id/handle/123456789/148205 |
Appears in Collections: | UT - Mathematics |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Cover_G54190006_Azali Farabi.pdf Restricted Access | Cover | 385.12 kB | Adobe PDF | View/Open |
G54190006_Azali Farabi..pdf Restricted Access | Fulltext | 7.4 MB | Adobe PDF | View/Open |
Lampiran_G54190006_Azali Farabi..pdf Restricted Access | Lampiran | 252.39 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.