Heriasnayah, Heriansyah (2022) DIAGNOSA KEMATIAN PASIEN PENYAKIT GAGAL JANTUNG DENGAN ALGORITMA LOGISTIC REGRESSION. Diploma thesis, Universitas YARSI.
|
Text
Cover.pdf Download (16kB) | Preview |
|
![[img]](http://digilib.yarsi.ac.id/style/images/fileicons/text.png) |
Text
04 - Pengesahan.pdf Download (622kB) |
|
|
Text
Pernyataan.pdf Download (203kB) | Preview |
|
|
Text
Abstrak.pdf Download (59kB) | Preview |
|
|
Text
11 - BAB 1.pdf Download (73kB) |
|
|
Text
Daftar Pustaka.pdf Download (62kB) | Preview |
|
|
Text
12 - BAB-2.pdf Restricted to Registered users only Download (172kB) |
|
|
Text
13 - BAB-3.pdf Restricted to Registered users only Download (421kB) |
|
|
Text
14 - BAB-4.pdf Restricted to Registered users only Download (476kB) |
|
|
Text
15 - BAB-5.pdf Restricted to Registered users only Download (314kB) |
|
|
Text
16 - BAB-6.pdf Restricted to Registered users only Download (67kB) |
Abstract
Penyakit Gagal Jantung adalah kondisi yang terjadi karena otot jantung yang melemah. Akibat dari kondisi tersebut, jantung tidak mampu memompa darah dalam jumlah yang tepat ke seluruh tubuh dan juga pada tekanan yang seharusnya. Badan Kesehatan dunia pada tahun 2015 merilis data kematian di dunia yang dimana 70% diantaranya disebabkan oleh Penyakit Tidak Menular. Dari data tersebut, 45% nya disebabkan oleh Penyakit jantung, yaitu sekitar 17.7 juta dari 39,5 juta kematian. Riset Kesehatan Dasar Indonesia pada tahun 2018 merilis data Penyakit Jantung di Indonesia dengan tingkat persentasi tertinggi pada Provinsi DKI Jakarta dengan tingkat yang tinggi yaitu sekitar 1,9%. Oleh karena itu penulis menggunakan machine learning untuk mendiagnosa pasien penyakit gagal jantung. Penulis melakukan ekperimen menggunakan data Heart failure clinical records Data Set, data tersebut tersedia untuk umum dan dapat diakses dari UCI Machine Learning Repository. Pada penelitian ini, penulis mengimplentasikan Algoritma untuk mendeteksi penyakit gagal jantung karena algoritma ini mampu berjalan dengan baik dan mendapatkan nilai akurasi yang baik. Penulis menggunakan teknik feature selection dan repair outlier. Penulis membandingkan tingkat akurasi algoritma logistic regression, naïve bayes, dan KNN. Hasil eksperimen menunjukan bahwa algoritma logistic regression lebih baik dengan nilai akurasi sebesar 84%.
| Item Type: | Thesis (Diploma) |
|---|---|
| Additional Information: | S-772-FTI |
| Uncontrolled Keywords: | Machine Learning, Feature Selection, Logistic Regression. |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science R Medicine > R Medicine (General) T Technology > T Technology (General) Z Bibliography. Library Science. Information Resources > ZA Information resources |
| Depositing User: | HERIANSYAH HERIANSYAH |
| Date Deposited: | 10 Nov 2023 07:57 |
| Last Modified: | 10 Nov 2023 07:57 |
| URI: | http://digilib.yarsi.ac.id/id/eprint/10361 |
Actions (login required)
 |
View Item |