Pengembangan Sistem Prediksi Diagnosis Penyakit Jantung dan Sistem Pakar untuk Pasien Gagal Jantung

Omari, Ahmad Giffar (2023) Pengembangan Sistem Prediksi Diagnosis Penyakit Jantung dan Sistem Pakar untuk Pasien Gagal Jantung. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211940000075-Undergraduate_Thesis.pdf - Accepted Version Restricted to Registered users only until 1 September 2025. Download (5MB) | Request a copy

Abstract

Penyakit jantung atau disebut juga sebagai penyakit kardiovaskular adalah jenis penyakit tidak menular yang disebabkan adanya gangguan fungsi jantung dan pembuluh darah seperti stroke, serangan jantung, dan hipertensi. Berdasarkan data dari World Health Organization, Penyakit jantung merupakan penyakit yang paling banyak menyebabkan kematian di dunia, dengan estimasi sebanyak 17,9 juta orang meninggal akibat penyakit ini pada tahun 2019 dan 85% diantaranya disebabkan oleh serangan jantung dan stroke. Di Indonesia sendiri, stroke dan penyakit jantung koroner merupakan penyebab kematian tertinggi dengan jumlah prevalensi penyakit jantung berdasarkan diagnosis dokter pada tahun 2018 adalah sebesar 1.5% dan didominasi oleh masyarakat perkotaan. Jumlah orang Indonesia yang memiliki risiko penyakit jantung tetapi tidak menerima pengobatan dengan baik masih cukup banyak. Sehingga, perlu adanya upaya pemanfaatan teknologi informasi untuk penyakit jantung di Indonesia untuk menekan laju mortalitas penyakit jantung. Tugas akhir ini bertujuan untuk mengembangkan sistem prediksi untuk diagnosis penyakit jantung dan sistem pakar untuk pasien gagal jantung yang diimplementasikan ke dalam aplikasi berbasis web. Pengembangan sistem prediksi dilakukan dengan menggunakan algoritma recurrent neural network (RNN) dengan variasi gated recurrent unit. Sedangkan sistem pakar dikembangkan berdasarkan 2022 AHA/ACC/HFSA Guideline for the Management of Heart Failure sebagai acuan pembuatan knowledge base. Sistem prediksi dibuat dengan melakukan uji coba model RNN terhadap pemrosesan data, seleksi variabel, dan hyperparameter tuning menggunakan metode grid search. Eksperimen yang dilakukan menghasilkan model akhir RNN dengan nilai akurasi sebesar 92.1%. Model prediksi yang telah dibuat, memungkinkan dilakukannya prediksi diagnosis penyakit jantung dengan data-data umur, jenis kelamin, jenis sakit dada, tekanan darah, kadar gula darah, detak jantung, status angina, pengukuran oldpeak, dan segmen ST pada elektrokardiogram. Sistem pakar untuk pasien gagal jantung dibuat dengan menggunakan 2022 AHA/ACC/HFSA Guideline for the Management of Heart Failure sebagai knowledge base. Knowledge base dibuat dalam bentuk rules yang didapatkan dari rekomendasi pada pedoman tersebut. Sistem pakar yang dibuat, mampu memberikan rekomendasi yang sesuai dan dapat diandalkan untuk penanganan pasien gagal jantung. Berdasarkan hasil survei penerimaan pengguna terhadap implementasi sistem, pengguna cukup puas dengan sistem prediksi yang telah dibuat, dengan nilai yang didapatkan sebesar 8.5. Namun, untuk sistem pakar, nilai yang didapatkan sebesar 6.5. Hal ini karena pengguna merasa sistem masih kurang intuitif secara tampilan.
====================================================================================================================================
Heart diseases, or as known as cardiovascular diseases (CVDs), are the type of non- communicable diseases caused by heart and blood vessel disfunction, such as stroke, heart attack, and hypertension. According to World Health Organization, CVDs are the leading cause of death in the world. In 2019, an estimated of 17.9 million people died from CVDs and 85% of it due to heart attack and stroke. In Indonesia, stroke and coronary heart disease are the highest causes of death, with a prevalence number of heart disease based on doctors' diagnoses in 2018 is 1.5% and dominated by urban communities. There are lots of people in Indonesia that are at risk of CVDs but doesn't get a proper treatment. Hence, the use of information technology on CVDs treatment need to be done in Indonesia to reduce CVDs mortality rate.
The objectives of this final project are to develop prediction system for heart disease diagnosis and expert system for heart failure patient that are implemented into a web-based application. The prediction system is made using recurrent neural network (RNN) algorithm with gated recurrent unit variations. Meanwhile, the expert system is developed based on 2022 AHA/ACC/HFSA Guideline for the Management of Heart Failure as a reference for constructing the knowledge base. The prediction system was made by conducting experiments of the RNN model on data processing, feature selection, and hyperparameter tuning using grid search method. The conducted experiments resulted final RNN model with accuracy score of 92.1%. The developed model is able to predict diagnose of heart disease using input data such as age, gender, chest pain type, blood pressure, blood sugar level, heart rate, angina status, oldpeak measurement, and ST segment on the electrocardiogram. The expert system for heart failure patient was developed using the 2022 AHA/ACC/HFSA Guideline for the Management of Heart Failure as the knowledge base. The knowledge base was created in form of rules that are derived from recommendations contained in the guideline. The developed expert system is able to give accurate and reliable recommendations for the management of heart failure patients. Based on the results of the user acceptance survey towards the system implementation, users are quite satisfied with the predictive system that has been developed, with an obtained score of 8.5. However, for the expert system, the obtained score is 6.5. It’s because users feel that the system's user interface lacks intuitiveness

Item Type:	Thesis (Other)
Uncontrolled Keywords:	prediksi penyakit jantung, sistem pakar; recurrent neural network, knowledge base, heart disease prediction, expert system
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.76.E95 Expert systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Ahmad Giffar Omari
Date Deposited:	25 Aug 2023 01:56
Last Modified:	25 Aug 2023 01:56
URI:	http://repository.its.ac.id/id/eprint/100673

Actions (login required)

View Item