PREDIKSI PENYAKIT DIABETES MELLITUS DENGAN MACHINE LEARNING DI RSUD dr. SLAMET GARUT

Muhammad Gibbran Akbary, Gibbran (2025) PREDIKSI PENYAKIT DIABETES MELLITUS DENGAN MACHINE LEARNING DI RSUD dr. SLAMET GARUT. Diploma thesis, Poltekkes Kemenkes Tasikmalaya.

	Text (Halaman Depan) HALAMAN PERNYATAAN ORISINALITAS.pdf Download (276kB)
	Text HALAMAN PENGESAHAN.pdf Download (444kB)
	Text (Halaman Depan) HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH.pdf Download (561kB)
	Text (Halaman Depan) HALAMAN JUDUL.pdf Download (398kB)
	Text (Bab 1) BAB 1.pdf Download (242kB)
	Text (Bab II) BAB 2.pdf Restricted to Repository staff only Download (391kB) | Request a copy
	Text (Bab III) BAB 3.pdf Restricted to Repository staff only Download (276kB) | Request a copy
	Text (Bab IV) BAB 4.pdf Restricted to Repository staff only Download (569kB) | Request a copy
	Text (Bab V) BAB 5.pdf Restricted to Repository staff only Download (228kB) | Request a copy
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (193kB) | Request a copy
	Text (Lampiran) LAMPIRAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Diabetes mellitus adalah suatu kondisi yang ditandai dengan tingginya kadar gula (glukosa) dalam darah secara terus-menerus. Prediksi penyakit diabetes mellitus dapat membantu dalam pendeteksian dini kasus, untuk segera diupayakan intervensi yang tepat dan cepat, sehingga dapat meningkatkan kualitas hidup seseorang dan menghindari komplikasi yang dapat terjadi. Penelitian ini menggunakan analisis kuantitatif dengan pendekatan pendekatan metode data mining yaitu proses penggalian sebuah informasi dan pengetahuan baru dari data-data yang tersimpan pada dataset. Variabel yang digunakan pada dataset mencakup data terkait rekam medis dan hasil pemeriksaan laboratorium, pada kunjungan pasien periode Juni – Desember 2024 di RSUD dr. Slamet GarutHasil menggunakan widget Test and Score dengan menggunakan Test on test data atau menggunakan file test yang berbeda dengan file yang digunakan dalam training untuk dijadikan data test. Score hasil menunjukkan bahwa Naive Bayes unggul secara keseluruhan. Naive Bayes memiliki AUC tinggi (0.952), F1 score dan precision yang lebih baik, serta MCC sebesar 0.542, menandakan prediksi yang lebih akurat dan seimbang. Akurasi Klasifikasi (CA) Naive Bayes memang sedikit lebih rendah (77.8%), namun metrik lainnya menunjukkan performa yang jauh lebih stabil dan dapat diandalkan andal dengan data yang tidak seimbang.: Hasil penelitian ini menunjukkan bahwa hasil dari machine learning, khususnya model Naïve Bayes, dapat memberikan kontribusi signifikan dalam mendukung dalam melakukan prediksi apakah pasien terdiagnosis diabetes berdasarkan pemeriksaan laboratoriumnya. Prediksi diabetes dengan model prediksi berdasarkan probabilitas (Naïve Bayes) lebih efektif dalam pelaksanaannya karena hasil laboratorium dapat diklasifikasikan berdasarkan kemungkinan apakah hasil yang didapat normal atau tidak.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Machine Learning
Subjects:	R Medicine > R Medicine (General)
Divisions:	Jurusan RMIK > D3 Rekam Medis & Informasi Kesehatan
Depositing User:	Mhs Muhammad Gibbran Akbary
Date Deposited:	04 Sep 2025 06:49
Last Modified:	04 Sep 2025 06:49
URI:	http://repo.poltekkestasikmalaya.ac.id/id/eprint/6956

Actions (login required)

View Item