SISTEM INFORMASI REKAM MEDIS BERBASIS APLIKASI DESKTOP DAN MACHINE LEARNING UNTUK MEMPREDIKSI PENYAKIT SERANGAN JANTUNG

• Main Author: Dwicky Darmawan, - (Author)
• Format: Book
• Published: 2022-01-27.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata

Summary

Jantung merupakan organ utama yang harus bekerja dengan benar dan teratur. Jika terjadi gangguan, maka akan menimbulkan penyakit salah satunya adalah serangan jantung. Penyakit ini merupakan salah satu dari 10 penyakit dengan resiko kematian yang tinggi. Hal itu disebabkan oleh faktor stress, tekanan darah, kerja berlebihan, gula darah dan lainnya. Tujuan penelitian ini adalah untuk memprediksi penyakit serangan jantung menggunakan sistem informasi dan algoritma machine learning sebagai langkah preventif dini. Metode yang digunakan yaitu Iterative Waterfall model yang bertujuan untuk memecahkan tantangan dalam pembuatan sistem informasi dan juga algoritma Machine Learning. Sistem informasi berhasil dibuat yang terintegrasi dengan database dan algoritma Machine Learning. Hybrid model merupakan gabungan dari Random Forest dan Logistic Regression dengan tingkat kesalahan sebesar 15,51%, akurasi sebesar 84,48% dan presisi sebesar 82,41% lebih baik dibandingkan dengan model Random Forest dan Logistic Regression. The heart is the main organ that must work properly and regularly. If there is a disturbance, it will cause disease, one of which is a heart attack, which is one of the 10 diseases with a high risk of death. This is caused by stress factors, blood pressure, excessive work, blood sugar and others. The purpose of this study is to predict heart attack disease using information system and machine learning as an early preventive measure. The method used is an iterative waterfall model which aims to solve the challenges in making information systems and Machine Learning algorithms. The information system has been successfully created that is integrated with databases and Machine Learning algorithms. The hybrid model is a combination of Random Forest and Logistic Regression with an error rate of 15.51%, an accuracy of 84.48% and a precision of 82.41% compared to the Random Forest and Logistic Regression models.

Item Description

http://repository.upi.edu/70873/1/S_TE_1805565_Title.pdf
http://repository.upi.edu/70873/2/S_TE_1805565_Chapter%201.pdf
http://repository.upi.edu/70873/3/S_TE_1805565_Chapter%202.pdf
http://repository.upi.edu/70873/4/S_TE_1805565_Chapter%203.pdf
http://repository.upi.edu/70873/5/S_TE_1805565_Chapter%204.pdf
http://repository.upi.edu/70873/6/S_TE_1805565_Chapter%205.pdf
http://repository.upi.edu/70873/7/S_TE_1805565_Appendix.pdf