Optimalisasi Deteksi Dini Tuberkulosis Melalui Machine Learning Menggunakan Data Klinis: Pengembangan dan Evaluasi Multilayer Perceptron serta Extreme Learning Machine untuk Klasifikasi Tuberkulosis

Jannah, Ammar Waliyuddin (2024) Optimalisasi Deteksi Dini Tuberkulosis Melalui Machine Learning Menggunakan Data Klinis: Pengembangan dan Evaluasi Multilayer Perceptron serta Extreme Learning Machine untuk Klasifikasi Tuberkulosis. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6047212036-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until July 2026. Download (21MB) | Request a copy

Abstract

Penelitian ini mengambil langkah inovatif dalam memerangi Tuberkulosis (TB), salah satu tantangan kesehatan masyarakat utama di Indonesia, dengan mengembangkan dan mengevaluasi model Multilayer Perceptron (MLP) dan Extreme Learning Machine (ELM) dalam machine learning untuk deteksi dini TB menggunakan data klinis. Hasil utama dari penelitian ini adalah penemuan bahwa model MLP, ketika diterapkan tanpa teknik Synthetic Minority Over-sampling Technique (SMOTE), mencapai akurasi yang mengesankan sebesar 95.00%, menandakan kemajuan signifikan dalam upaya deteksi dini TB. Penemuan ini tidak hanya menyoroti potensi besar dari penerapan teknologi machine learning dalam meningkatkan akurasi diagnosis TB, tetapi juga membuka jalan bagi kemungkinan penerapan teknologi canggih dalam sektor kesehatan untuk menangani penyakit infeksi. Selain itu, penelitian ini memberikan wawasan baru tentang cara mengatasi masalah data yang tidak seimbang dalam penelitian kesehatan, yang merupakan tantangan umum dalam pengolahan data klinis. Dengan fokus pada data klinis pasien TB, penelitian ini menggambarkan bagaimana teknologi pembelajaran mesin dapat diintegrasikan ke dalam praktik klinis untuk mendeteksi secara efektif kasus-kasus TB pada tahap awal, sehingga memungkinkan pengobatan yang lebih cepat dan tepat, yang pada akhirnya dapat mengurangi penyebaran penyakit ini. Hal ini sangat penting mengingat dampak signifikan TB pada kesehatan masyarakat, terutama di negara berkembang. Dengan demikian, penelitian ini tidak hanya berkontribusi dalam upaya pengurangan angka morbiditas dan mortalitas terkait TB di Indonesia, tetapi juga menunjukkan bagaimana integrasi antara teknologi dan sektor kesehatan dapat memperkuat pendekatan kita dalam menangani berbagai tantangan kesehatan masyarakat. Hasil penelitian ini juga membuka peluang bagi penelitian lebih lanjut dalam penerapan teknik machine learning untuk penyakit infeksi lainnya, menjanjikan perubahan paradigma dalam cara kita mendeteksi dan mengelola berbagai kondisi kesehatan
====================================================================================================================================
This research takes an innovative step in fighting Tuberculosis (TB), one of the main public health challenges in Indonesia, by developing and evaluating Multilayer Perceptron (MLP) and Extreme Learning Machine (ELM) models in machine learning for early TB detection using clinical data. The main result of this study was the discovery that the MLP model, when applied without the Synthetic Minority Over-sampling Technique (SMOTE) technique, achieved an impressive accuracy of 95.00%, marking significant progress in early TB detection efforts. This discovery not only highlights the great potential of applying machine learning technology in improving the accuracy of TB diagnosis, but also paves the way for the possible application of advanced technology in the health sector to treat infectious diseases. Additionally, this research provides new insights into how to overcome the problem of imbalanced data in health research, which is a common challenge in clinical data processing. Focusing on clinical data of TB patients, this research illustrates how machine learning technology can be integrated into clinical practice to effectively detect TB cases at an early stage, thereby enabling faster and more precise treatment, which can ultimately reduce the spread of the disease . This is very important considering the significant impact of TB on public health, especially in developing countries. Thus, this research not only contributes to efforts to reduce TB-related morbidity and mortality rates in Indonesia, but also shows how integration between technology and the health sector can strengthen our approach in dealing with various public health challenges. The results of this study also open up opportunities for further research into the application of machine learning techniques to other infectious diseases, promising a paradigm shift in the way we detect and manage various health conditions

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Tuberkulosis, Deteksi Dini, Pembelajaran Mesin, Multilayer Perceptron, Extreme Learning Machine; Synthetic Minority Over-sampling Technique (SMOTE), Analisis Data Klinis. uberculosis, Early Detection, Machine Learning, Multilayer Perceptron, Extreme Learning Machine, Synthetic Minority Over-sampling Technique (SMOTE) Clinical Data Analysis.
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Ammar Waliyuddin Jannah
Date Deposited:	12 Feb 2024 04:22
Last Modified:	12 Feb 2024 04:22
URI:	http://repository.its.ac.id/id/eprint/106865

Actions (login required)

View Item