Jinan, Karina Defitrah Nurul and Winata, Raihan Ghifari and Mushlih, Yahya Alghazali (2026) Pengembangan Model Soft Actor Critic Berbasis Ensemble Q-Learning untuk Rekomendasi Perawatan Sepsis dengan Continuous Action Representation. Diploma thesis, Universitas YARSI.

	Text 01. COVER.pdf Download (96kB)
	Text 04. HALAMAN PENGESAHAN.pdf Download (289kB)
	Text 03. HALAMAN PERNYATAAN ORISINALITAS.pdf Download (202kB)
	Text 02. ABSTRAK.pdf Download (161kB)
	Text 12. BAB 1 - BUSINESS UNDERSTANDING.pdf Download (535kB)
	Text 20. DAFTAR PUSTAKA.pdf Download (138kB)
	Text 13. BAB 2 - DATA UNDERSTANDING.pdf Restricted to Registered users only Download (1MB)
	Text 14. BAB 3 - DATA PREPARATION.pdf Restricted to Registered users only Download (216kB)
	Text 15. BAB 4 - MODELING.pdf Restricted to Registered users only Download (783kB)
	Text 16. BAB 5 - EVALUASI.pdf Restricted to Registered users only Download (1MB)
	Text 17. BAB 6 - DEPLOYMENT.pdf Restricted to Registered users only Download (680kB)
	Text 18. BAB 7 - MONITORING AND MAINTENANCE.pdf Restricted to Registered users only Download (72kB)
	Text 19. BAB 8 - KESIMPULAN.pdf Restricted to Registered users only Download (167kB)
	Text 21. LAMPIRAN.pdf Restricted to Registered users only Download (3MB)

Abstract

Penelitian ini berfokus pada pengembangan model rekomendasi terapi sepsis berbasis Reinforcement Learning (RL) di Universitas YARSI, dengan tujuan menghasilkan sistem pengambilan keputusan yang lebih presisi dan adaptif terhadap kondisi pasien di Intensive Care Unit (ICU). Pengembangan diarahkan pada perluasan pendekatan sebelumnya menuju Continuous Action Space, sehingga dosis cairan intravena dan vasopressor dapat direpresentasikan sebagai nilai kontinu yang lebih sesuai dengan praktik klinis. Untuk mencapai hal tersebut, penelitian ini mengimplementasikan Soft Actor-Critic (SAC) yang dikenal stabil dalam continuous control, kemudian dipadukan dengan Ensemble QLearning guna meningkatkan ketahanan terhadap overestimation bias serta memperkuat reliabilitas fungsi nilai. Dataset MIMIC-IV (Medical Information Mart for Intensive Care) versi 3.1 digunakan sebagai dasar pelatihan untuk membangun representasi state fisiologis pasien secara kontinu melalui pemrosesan variabel vital, laboratorium, dan intervensi medis. Model yang dikembangkan mampu menghasilkan rekomendasi dosis yang adaptif terhadap perubahan kondisi fisiologis pasien, dengan kebijakan optimal yang dievaluasi melalui expected return dan capaian survival. Pada pengujian, model menunjukkan performa yang menjanjikan dengan expected return sebesar 14.4 serta survival rate mencapai 97.5%, menandakan efektivitas kebijakan yang dipelajari dalam meningkatkan peluang keselamatan pasien. Integrasi SAC dan Ensemble Q-Learning memberikan peningkatan stabilitas, akurasi, dan konsistensi dibandingkan pendekatan RL sebelumnya, sehingga memiliki potensi kuat untuk diimplementasikan sebagai sistem pendukung keputusan klinis yang dapat meningkatkan kualitas dan keamanan perawatan pasien sepsis di ICU.

Actions (login required)

View Item