Sistem Pendukung Keputusan dalam Biomedis: Prediksi Gagal Jantung Kongestif Menggunakan Semantic Bayesian Network

Furqon, Muhammad (2019) Sistem Pendukung Keputusan dalam Biomedis: Prediksi Gagal Jantung Kongestif Menggunakan Semantic Bayesian Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05211650012002-Master_Thesis.pdf Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Gagal jantung merupakan salah satu masalah kesehatan yang cukup serius penanganannya. Salah satu fitur yang sering diteliti sebagai prediktor gagal jantung kongestif adalah Heart Rate Variability (HRV). Namun sebagian besar dokter kurang memahami fungsi HRV pada diagnosis gagal jantung. Diperlukan sebuah sistem pakar yang dapat digunakan sebagai pendukung keputusan yang terintegrasi dengan data pasien yang dapat memodelkan prediksi gagal jantung kongestif dengan menggunakan parameter HRV. Sistem pendukung keputusan dibangun dengan membuat model ontologi yang direpresentasikan dalam Web Ontology Language (OWL) dan Semantic Web Rule Language (SWRL). Ontologi digunakan untuk memodelkan basis pengetahuan sehingga dapat dilakukan reasoning dengan data yang bermakna, sedangkan basis aturan dalam prediksi dibangun melalui SWRL. Hasil desain ontologi dan SWRL digunakan untuk memodelkan Bayesian Network dan melakukan inferensi, sehingga diperoleh suatu kesimpulan dari basis pengetahuan. Hasil inferensi Bayesian Network dapat diinterpretasikan sebagai prediktor kemungkinan pasien pengidap gagal jantung kongestif dapat bertahan hidup atau meninggal dunia. Metode penelitian yang digunakan dalam penelitian ini mencakup lima tahapan penelitian, yaitu: (1) definisi permasalahan dan spesifikasi batasan; (2) pengembangan ontologi dan SWRL; (3) inferensi Bayesian Network; (4) demonstrasi; dan (5) validasi dan evaluasi. Data yang digunakan dalam penelitian ini adalah MIMIC-III, yang menyediakan informasi-informasi terkait data pasien yang dirawat di rumah sakit. Hasil atau luaran yang diharapkan dalam penelitian ini adalah sebuah sistem pakar sebagai pendukung keputusan bagi dokter untuk memprediksi pasien meninggal akibat mengalami gagal jantung kongestif secara akurat. Prediksi gagal jantung dengan menggunakan Semantic Bayesian Network diujicobakan pada data 100 pasien, di mana data 70 pasien digunakan sebagai data demonstrasi dan data 30 pasien sebagai data prediksi. Nilai validasi RMSE pada data prediksi pasien yang menderita gagal jantung kongestif adalah 0,06363363846, sedangkan nilai validasi RMSE pada data pasien non-penderita gagal jantung kongestif diperoleh nilai 0,1161289806320569. Berdasarkan pengujian yang dilakukan, diperoleh nilai tingkat akurasi prediksi 70%, nilai precision 75%, recall atau sensitivitas atau True Positive Rate (TPR) 60%, dan 1-spesifisitas 20%. Hasil tersebut ke depannya masih perlu ditingkatkan lagi sehingga solusi yang dikembangkan akan lebih akurat dalam memprediksi pasien menderita gagal jantung kongestif.
================================================================================================================================
Heart failure is a health problem that is quite serious to manage. One feature that is often investigated as a predictor of congestive heart failure is Heart Rate Variability (HRV). However, most doctors do not properly understand the function of HRV in the diagnosis of heart failure. An expert system is needed that can be used as decision support integrated with patient data, capable of modeling predictions of congestive heart failure using HRV parameters. The decision support system was built by developing an ontology model represented in the Web Ontology Language (OWL) and Semantic Web Rule Language (SWRL). Ontology is used to model the knowledge base so that reasoning can be performed with meaningful data, while the base rules for prediction are built through SWRL. The results of the ontology and SWRL design are used to model a Bayesian Network and perform inference, thereby obtaining a conclusion from the knowledge base. The results of the Bayesian Network inference can be interpreted as predictors of the likelihood that a patient with congestive heart failure will survive or die. The research method used in this study includes five stages: (1) problem definition and limitation specifications; (2) development of ontology and SWRL; (3) Bayesian Network inference; (4) demonstration; and (5) validation and evaluation. The data used in this study is MIMIC-III, which provides information related to patient data in the hospital. The expected outcome of this study is an expert system that can serve as decision support for doctors in accurately predicting patient mortality due to congestive heart failure. The prediction of heart failure using the Semantic Bayesian Network was tested on data from 100 patients, of which 70 patients were used as demonstration data and 30 patients as predictive data. The RMSE value for the predictive data of patients suffering from congestive heart failure was 0.0636336384563429, while the RMSE value for patients without congestive heart failure was 0.1161289806320569. Based on the tests conducted, the accuracy, precision, and recall of the prediction were 70%, 75%, and 60%, respectively. The sensitivity, or True Positive Rate (TPR), and 1-specificity, or False Positive Rate (FPR), were 60% and 20%, respectively. These results still need to be improved in the future so that the developed solution will be more accurate in predicting patients suffering from congestive heart failure.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Sistem Pendukung Keputusan, Prediksi, Gagal Jantung Kongestif, Semantic Bayesian Network
Subjects:	T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Information and Communication Technology > Information Systems > 59101-(S2) Master Thesis
Depositing User:	Muhammad Ariful Furqon
Date Deposited:	05 Aug 2026 07:17
Last Modified:	05 Aug 2026 07:17
URI:	http://repository.its.ac.id/id/eprint/67145

Actions (login required)

View Item