Pengembangan Sistem Pendukung Keputusan Berbasis Prediksi dan Optimasi untuk Rekomendasi Gaya Hidup Bagi Pasien Gagal Jantung

Basara, Naufal Rafiawan (2024) Pengembangan Sistem Pendukung Keputusan Berbasis Prediksi dan Optimasi untuk Rekomendasi Gaya Hidup Bagi Pasien Gagal Jantung. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026201117-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Penyakit kardiovaskular merupakan sekelompok gangguan pada organ tubuh jantung dan pembuluh darah. Salah satu penyakit jantung yang paling umum adalah penyakit jantung koroner. Dari prosedur medis yang panjang dan mahal untuk pasien, terdapat setidaknya 50% pasien penyakit jantung memerlukan readmisi atau rawat inap kembali. Tingkat readmisi dipengaruhi oleh beberapa faktor, salah satunya adalah gaya hidup. Fokus dari tugas akhir ini bertujuan untuk mengembangkan sistem yang dapat memprediksi risiko penyaki jantung dan memberikan rekomendasi gaya hidup yang optimal untuk meminimalisasi tingkat keparahan penyakit jantung. Algoritma yang digunakan pada penelitian ini adalah long short-term memory (LSTM) sebagai model untuk memprediksi risiko penyakit jantung. Selain itu, algoritma genetika digunakan sebagai model optimasi untuk menentukan gaya hidup yang direkomendasikan. Rekomendasi gaya hidup ini dievaluasi berdasarkan hasil prediksi risiko penyakit jantung dan mengambil gaya hidup dengan risiko terendah menggunakan model optimasi. Model prediksi yang dibangun menggunakan arsitektur LSTM pada penelitian ini memiliki performa skor F1 mencapai 85%, skor AUC mencapai 80.08%, dan skor akurasi mencapai 79%. Model tersebut memiliki performa yang lebih baik dibandingkan dengan penelitian sebelumnya yang menggunakan data yang sama dengan selisih performa akurasi sebesar -0,85% dan skor AUC sebesar 3,3%. Model klasifikasi tersebut melakukan prediksi risiko penyakit jantung berdasarkan data karakteristik dan gaya hidup dari pengguna. Selain itu, penelitian ini menghasilkan model optimasi untuk rekomendasi gaya hidup menggunakan algoritma genetika. Model optimasi tersebut menghasilkan gaya hidup yang dapat mengurangi risiko penyakit jantung secara signifikan berdasarkan hasil uji statistik Wilcoxon pada estimasi risiko penyakit jantung sebelum dan setelah menerapkan rekomendasi gaya hidup dengan nilai (p < 0.05). Model klasifikasi dan rekomendasi dapat diakses oleh berbagai end-device melalui API, seperti aplikasi berbasis web dan aplikasi mobile. Penilaian terhadap sistem dilakukan oleh pengguna aplikasi dan pakar yang mendapatkan nilai rata-rata penerimaan mencapai 3.2 dari skala 5 oleh pakar dan 3.8 dari skala 5 oleh pengguna.
=====================================================================
Cardiovascular disease is a group of disorders of the heart and blood vessels. One of the most common heart diseases is coronary heart disease. From the long and expensive medical procedures for patients, at least 50% of heart disease patients require readmission or re- hospitalization. The readmission rate is influenced by several factors, one of which is lifestyle. The focus of this final project aims to develop a system that can predict the risk of heart disease and provide optimal lifestyle recommendations to minimize the severity of heart disease. The algorithm used in this study is long short-term memory (LSTM) as a model to predict the risk of heart disease. In addition, genetic algorithms are used as optimization models to determine the recommended lifestyle. These lifestyle recommendations are evaluated based on the results of heart disease risk predictions and take the lifestyle with the lowest risk using an optimization model. The prediction model built using the LSTM architecture in this study has an F1 score performance of 85%, an AUC score of 80.08%, and an accuracy score of 79%. The model has better performance compared to previous studies using the same data with a difference in accuracy performance of -0.85% and an AUC score of 3.3%. The classification model predicts the risk of heart disease based on user characteristics and lifestyle data. In addition, this study produces an optimization model for lifestyle recommendations using genetic algorithms. The optimization model produces a lifestyle that can significantly reduce the risk of heart disease based on the results of the Wilcoxon statistical test on the estimated risk of heart disease before and after implementing lifestyle recommendations with a value (p <0.05). The classification and recommendation models can be accessed by various end-devices through APIs, such as web-based applications and mobile applications. The system assessment was carried out by application users and experts who received an average acceptance value of 3.2 on a scale of 5 by experts and 3.8 on a scale of 5 by users.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	algoritma genetika, gaya hidup, long short-term memory, penyakit jantung, rekomendasi, genetic algorithm, heart disease, lifestyle, long short-term memory, recommendations
Subjects:	T Technology > T Technology (General) > T174.5 Technology--Risk assessment. T Technology > T Technology (General) > T57.84 Heuristic algorithms. T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Information Technology > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Naufal Rafiawan Basara
Date Deposited:	01 Aug 2024 06:01
Last Modified:	01 Aug 2024 06:01
URI:	http://repository.its.ac.id/id/eprint/111333

Actions (login required)

View Item