KLASIFIKASI PENYAKIT DIABETES MELLITUS TIPE II BERBASIS MACHINE LEARNING MENGGUNAKAN LIGHTGBM

Salma Irena, Febriastia (2024) KLASIFIKASI PENYAKIT DIABETES MELLITUS TIPE II BERBASIS MACHINE LEARNING MENGGUNAKAN LIGHTGBM. Fakultas Teknik, Universitas Lampung.

Preview	File PDF ABSTRAK (ABSTRACT).pdf Download (234Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (6Mb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1670Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Diabetes mellitus merupakan sebuah kondisi metabolis serius dan kronis yang terjadi karena kenaikan kadar glukosa darah akibat tubuh tidak dapat memproduksi hormon insulin atau tidak dapat menggunakan insulin yang dihasilkan dengan efektif. Sekitar 537 juta orang di berbagai bagian dunia mengalami diabetes. Pada tahun 2019, diabetes menjadi salah satu penyebab kematian utama, mengalami peningkatan sebesar 70% sejak tahun 2000. Di Indonesia, diabetes menempati peringkat tiga sebagai penyebab kematian pada tahun 2019, mencapai persentase 6.23%. Penelitian ini bertujuan untuk melakukan klasifikasi penyakit diabetes mellitus tipe II menggunakan Light Gradient-Boosting Machine (LightGBM) dengan dua skenario, yaitu menggunakan fitur yang mengandung hasil tes laboratorium berupa FPG (skenario 1) dan tanpa fitur hasil tes laboratorium (skenario 2). Pada kedua skenario, dilakukan evaluasi menggunakan konfigurasi seluruh fitur, fitur terseleksi berdasarkan mutual information, dan fitur rekomendasi dari expert. Lalu membuat sebuah antarmuka website untuk memprediksi diagnosis penyakit diabetes mellitus tipe II. Metode yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM). Hasil evaluasi menunjukkan bahwa model memiliki kinerja yang baik dalam semua konfigurasi fitur pada kedua skenario. Tujuh fitur rekomendasi berdasarkan expert pada skenario 2 (AGE, Nocturia, Polyuria, Weight_loss, Polydipsia, Polyphagia, BMI) dengan akurasi 94,87% digunakan sebagai bahan untuk meprediksi diagnosis pada antarmuka website karena relevan dengan ilmu kedokteran dan pengguna dapat melakukan prescreening awal diabetes mellitus tipe II sebelum melakukan pemeriksaan lebih lanjut ke dokter, sehingga meningkatkan efisiensi waktu dan biaya. Kata kunci: CRISP-DM, diabetes mellitus, klasifikasi, LightGBM, klasifikasi, mutual information

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data
Program Studi:	Fakultas Teknik > Prodi S1-Teknik Informatika
Pengguna Deposit:	2308737993 . Digilib
Date Deposited:	22 Mar 2024 04:28
Terakhir diubah:	22 Mar 2024 04:28
URI:	http://digilib.unila.ac.id/id/eprint/79756

Actions (login required)

Lihat Karya Akhir