title: KLASIFIKASI DIARE NOSOKOMIAL PADA LANSIA MENGGUNAKAN    SUPPORT VECTOR MACHINE
creator: YOLANDA MEILANI SIRAIT, 1617051127
subject: 004 Pemrosesan data dan ilmu komputer
description: Diare merupakan penyakit potensial Kejadian Luar Biasa (KLB) yang sering  disertai dengan kematian. Satu faktor infeksi penyebab diare adalah infeksi  nosokomial, yaitu infeksi yang didapat dari rumah sakit. Beberapa faktor risiko  infeksi diare nosokomial adalah usia, lama rawat inap, jumlah antibiotik, dan  pemberian pipa/selang makanan atau pipa nasogastrik, paparan kemoterapi  sitotoksik, penggunaan terapi penekan asam, penghambat pompa proton (PPIs),  kontak dengan sistem perawatan kesehatan. Penelitian ini bertujuan untuk  mengetahui hubungan antara faktor risiko dan diare nosokomial dengan  klasifikasi menggunakan algoritma Support Vector Machine. Penelitian ini  menggunakan 218 dataset lansia dengan 48 diare dan 170 non-diare. Penelitian ini  mengimplementasikan metode Support Vector Machine dengan 10-Fold Cross  Validation dan package boruta sebagai feature selection. Klasifikasi pada  penelitian ini mendapatkan AUC terbaik oleh kernel Gaussian, dengan 93.81%  data train dan 83% data tes untuk percobaan tanpa feature selection, dan 95.30%  data train dan 85.91% data tes untuk percobaan dengan feature selection.  Kata Kunci: Klasifikasi, Diare Nosokomial, Algoritma Boruta, Support Vector  Machine, AUC Diarrhea includes as an outbreak disease that often caused death. One significant  effect of diarrhea infection is a nosocomial infection, which is an infection  obtained from a hospital. Some of the risk factors for nosocomial diarrheal  infections are age, length of hospitalization, several antibiotics, feeding tube/tube  or nasogastric tube, exposure to cytotoxic chemotherapy, acid-suppressing  therapy, proton pump inhibitors (PPIs), contact with the health care system. This  study aims to determine the relationship between risk factors and nosocomial  diarrhea with classification using the Support Vector Machine algorithm. This  study used 218 elderly datasets with 48 diarrhea and 170 non-diarrhea. This    research implements the Support Vector Machine method with 10-Fold Cross-  Validation and packages boruta as feature selection. The classification in this    study obtained the best AUC by the Gaussian kernel, with 93.81% train data and  83% test data for experiments without feature selection, and 95.30% train data and  85.91% test data for experiments with feature selection.  Keywords: Classification, Nosocomial Diarrhea, Boruta Algorithm, Support  Vector Machine, AUC
publisher: FAKULTAS  MATIMATIKA DAN ILMU PENGETAHUAN ALAM
date: 2021
type: Skripsi
type: NonPeerReviewed
format: text
identifier: http://digilib.unila.ac.id/60212/1/ABSTRAK%20-%20Yolanda%20Meilani%20Sirait.pdf
format: text
identifier: http://digilib.unila.ac.id/60212/2/SKRIPSI%20FULL%20-%20Yolanda%20Meilani%20Sirait.pdf
format: text
identifier: http://digilib.unila.ac.id/60212/3/SKRIPSI%20TANPA%20BAB%20PEMBAHASAN%20-%20Yolanda%20Meilani%20Sirait.pdf
identifier:   YOLANDA MEILANI SIRAIT, 1617051127  (2021) KLASIFIKASI DIARE NOSOKOMIAL PADA LANSIA MENGGUNAKAN SUPPORT VECTOR MACHINE.  FAKULTAS MATIMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.     
relation: http://digilib.unila.ac.id/60212/