Rekomendasi Pengobatan ICU dalam Continuous State Space Menggunakan Deep Reinforcement Learning

Rizzardi, Muhammad Razi and Saputra, Fani Muh Ardian (2025) Rekomendasi Pengobatan ICU dalam Continuous State Space Menggunakan Deep Reinforcement Learning. Diploma thesis, Universitas YARSI.

	Text 1. HALAMAN JUDUL.pdf Download (212kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (56kB)
	Text 3. HALAMAN PERNYATAAN ORISINALITAS.pdf Download (46kB)
	Text 2. ABSTRAK.pdf Download (228kB)
	Text 9. BAB 1.pdf Download (362kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (124kB)
	Text 10. BAB 2.pdf Restricted to Registered users only Download (590kB)
	Text 11. BAB 3.pdf Restricted to Registered users only Download (608kB)
	Text 12. BAB 4.pdf Restricted to Registered users only Download (447kB)
	Text 13. BAB 5.pdf Restricted to Registered users only Download (424kB)
	Text 14. BAB 6.pdf Restricted to Registered users only Download (5MB)
	Text 15. BAB 7.pdf Restricted to Registered users only Download (187kB)
	Text 16. BAB 8.pdf Restricted to Registered users only Download (118kB)
	Text 18. LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Penelitian ini menghadirkan model rekomendasi perawatan ICU yang menggunakan Deep Reinforcement Learning (DRL) dalam ruang keadaan kontinu, dengan fokus utama pada pasien sepsis. Model ini dikembangkan menggunakan dataset MIMIC-IV untuk menganalisis pola perawatan yang diterapkan oleh dokter serta membandingkannya dengan rekomendasi model. Untuk meningkatkan akurasi rekomendasi, penelitian ini menerapkan klasterisasi pasien berbasis K-Means dan PCA guna mempersonalisasi pengambilan keputusan model. Hasil eksperimen menunjukkan bahwa Duelling Double DQN menjadi model terbaik dalam skenario tanpa personalisasi, dengan tingkat kelangsungan hidup 54.6%, sedikit lebih tinggi dibandingkan baseline. Namun, ketika personalisasi diterapkan melalui klasterisasi pasien, performa model meningkat secara signifikan. Personalized D3QN dengan 2 klaster dan 200 state menunjukkan hasil terbaik, dengan tingkat kelangsungan hidup mencapai 63.8%, meskipun expected return sedikit lebih rendah dibandingkan beberapa konfigurasi lainnya. Hal ini menunjukkan bahwa strategi personalisasi dapat meningkatkan efektivitas rekomendasi model dalam perawatan ICU. Ke depan, penelitian ini akan berfokus pada optimalisasi metode klasterisasi, peningkatan akurasi prediksi dengan mempertimbangkan lebih banyak variabel klinis, serta validasi model dalam konteks klinis nyata. Diharapkan sistem ini dapat menjadi alat bantu yang efektif bagi tenaga medis dalam pengambilan keputusan perawatan ICU, khususnya dalam menangani pasien sepsis dengan pendekatan berbasis data yang lebih personal.

Item Type:	Thesis (Diploma)
Additional Information:	LPA 75 TI
Uncontrolled Keywords:	Deep Reinforcement Learning, ICU, Sepsis, K-Means, PCA, Duelling Double DQN, Personalized D3QN.
Subjects:	T Technology > T Technology (General)
Depositing User:	Mr. Administrator System Admin
Date Deposited:	14 Sep 2026 01:17
Last Modified:	14 Sep 2026 01:17
URI:	http://digilib.yarsi.ac.id/id/eprint/15669

Actions (login required)

View Item

Search for collections on Universitas YARSI Repository