PREDIKSI SEPSIS DINI DENGAN METODE ENSEMBLE LEARNING

Athallahsyah Yuri, Naufal (2025) PREDIKSI SEPSIS DINI DENGAN METODE ENSEMBLE LEARNING. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (192kB)
	Text BAB II.pdf Restricted to Registered users only Download (335kB)
	Text BAB III.pdf Restricted to Registered users only Download (348kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (163kB)
	Text DAFTAR PUSTAKA.pdf Download (181kB)

Abstract

Sepsis merupakan kondisi medis serius yang ditandai oleh respons imun ekstrem terhadap infeksi dan dapat mengancam jiwa apabila tidak ditangani secara cepat. Deteksi dini sepsis sangat penting guna meningkatkan peluang kesembuhan dan menurunkan angka kematian. Penelitian ini bertujuan untuk membangun model klasifikasi guna memprediksi sepsis sejak dini menggunakan metode ensemble learning. Tujuh algoritma digunakan dalam penelitian ini, yaitu Decision Tree, Random Forest, AdaBoost, Extra Trees, Gradient Boosting, XGBoost, dan LightGBM. Dataset yang digunakan adalah Prediction of Sepsis yang diperoleh dari situs Kaggle, dengan total 20.000 data pasien dan 41 atribut klinis. Penelitian ini melalui tahapan preprocessing data, penyeimbangan data menggunakan SMOTE, pelatihan model, serta evaluasi performa menggunakan metrik klasifikasi seperti accuracy, precision, recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa model XGBoost memberikan performa terbaik dengan nilai accuracy sebesar 98,69%, precision 98,10%, recall 99,26%, F1-score 98,67%, dan AUC-ROC sebesar 99,87%. Model LightGBM dan Random Forest juga menunjukkan kinerja yang sangat baik dan kompetitif. Sementara itu, model Decision Tree yang digunakan sebagai pembanding menunjukkan performa terendah di antara seluruh model. Berdasarkan hasil tersebut, XGBoost direkomendasikan sebagai model paling optimal untuk prediksi sepsis dini pada dataset ini. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan medis berbasis kecerdasan buatan, khususnya dalam penanganan kasus sepsis secara lebih cepat dan tepat.

Actions (login required)

View Item