Pembuatan Aplikasi Berbasis Web Untuk Prediksi Serangan Jantung Berdasarkan Faktor Risiko Behavioural

Pratama, Rizqeya Irfan (2022) Pembuatan Aplikasi Berbasis Web Untuk Prediksi Serangan Jantung Berdasarkan Faktor Risiko Behavioural. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211840000032-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Penyakit jantung telah menjadi penyebab utama kematian di dunia setiap tahunnya. Sebanyak 17,3 juta kematian yang disebabkan oleh penyakit kardiovaskuler terjadi pada tahun 2008 dan lebih dari 3 juta kematian tersebut terjadi sebelum usia 60 tahun. Di negara berpenghasilan tinggi dan rendah, kematian dini yang disebabkan oleh penyakit jantung berkisar sebesar 4% serta 42%. Akibat tingginya kematian akibat penyakit jantung, banyak tindakan-tindakan preventif yang dilakukan untuk dapat menekan pertumbuhan serangan jantung secara global. Tidak hanya berfokus pada analisis faktor risiko yang berhubungan dengan data medis, analisis faktor risiko yang berhubungan dengan gaya dan pola hidup juga sudah banyak ditemukan. Faktor risiko yang berhubungan dengan gaya dan pola hidup dapat disebut sebagai faktor risiko behavioural yang meliputi obesitas, kelebihan berat badan (overweight), waktu tidur, konsumsi alkohol, dan merokok. Hingga saat ini belum ditemukan prediksi serangan jantung dengan menggunakan dataset The Behavioural Risk Factor Surveillance System (BRFSS) dari Centers for Disease Control and Prevention (CDC). Oleh karena itu, pada penelitian ini akan dilakukan analisis prediksi serangan jantung berdasarkan faktor risiko behavioural terkait seperti obesitas, kelebihan berat badan (overweight), waktu tidur, konsumsi alkohol, dan merokok menggunakan data yang disediakan oleh CDC yang dikenal sebagai BRFSS pada tahun 2020 dengan menggunakan metode Random forest. Hasil dari percobaan implementasi algoritma Random Forests menunjukkan bahwa model prediksi Random Forests dengan parameter 200 n_estimators, 30 max_depth, 5 min samples split, criterion gini, dan 1 min samples leaf merupakan model yang terbaik untuk melakukan prediksi risiko serangan jantung berdasarkan faktor risiko behavioural terhadap data BRFSS. Data yang digunakan sebagai variabel prediktor dalam model ini diantaranya adalah, durasi tidur, aktivitas olahraga, rentang waktu checkup, dan berat badan, konsumsi alkohol. Model ini menghasilkan akurasi, recall, dan presisi sebesar 97%, 1% dan 0,05%. Model ini digunakan untuk implementasi pada aplikasi website prediksi risiko serangan jantung.
==============================================================================================================================
Heart disease has become the leading cause of death in the world every year. A total of 17.3 million deaths caused by cardiovascular disease occurred in 2008 and more than 3 millions of these deaths occurred before the age of 60 years. In high and low-income countries, premature deaths from heart disease range between 4% and 42%, respectively. Due to the high number of deaths from heart disease, many preventive measures have been taken to suppress the growth of heart attacks globally. Not only focusing on risk factor analysis related to medical data, analysis of risk factors related to lifestyle has also been found. Risk factors related to lifestyle can be referred to as behavioral risk factors which include obesity, being overweight, sleeping time, alcohol consumption, smoking, and diabetes. Until now, no prediction of a heart attack has been found using the Behavioral Risk Factor Surveillance System (BRFSS) dataset from the Centers for Disease Control and Prevention (CDC). Therefore, in this study, an analysis of the prediction of heart attack will be carried out based on related behavioral risk factors such as obesity, overweight, sleep time, alcohol consumption, smoking, and diabetes using data provided by the CDC known as BRFSS in 2020 using Random Forest methods. The results of the experimental implementation of the Random Forest show that the Random Forest with the parameter 200 n_estimators, 30 max_depth, 5 min_samples_split, criterion gini, dan 1 min samples leaf is the best model to predict behavioral risk factor for heart attack. The data used as predictor variables in this model include sleep duration, exercis activity, checkup time span, weight, and alcohol consumption. This model produces accuracy, recall, and precision of 94%, 1%, and 0.05%. This model is used for implementation on a website application to predict the risk of heart attack.

Item Type:	Thesis (Other)
Additional Information:	RSSI 006.7 Pra p-1 2022
Uncontrolled Keywords:	prediksi. serangan jantung. faktor risiko behavioural. random forests. prediction. heart attack. behavioural risk factors. random forests.
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD30.213 Management information systems. Dashboards. Enterprise resource planning.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	03 Jun 2026 03:04
Last Modified:	03 Jun 2026 03:04
URI:	http://repository.its.ac.id/id/eprint/133509

Actions (login required)

View Item