digilib@itb.ac.id +62 812 2508 8800

PREDIKSI DINI RISIKO PENYAKIT STROKE ISKEMIK PADA PASIEN RSAU DR. M. SALAMUN MENGGUNAKAN TEKNIK DATA MINING

Penulis : Oktavianti - NIM 13413080
Kontributor / Dosen Pembimbing :
  • Dr. Rajesri Govindaraju, S.T., M.T.
Jenis Koleksi : Tugas Akhir
Penerbit : Teknik Industri
Fakultas : Fakultas Teknologi Industri
Subjek :
Kata Kunci : Competitive Advantage, Stroke, Deteksi Dini, Rumah Sakit, Prediksi, Klasifikasi, Data mining, Decision Tree, SVM, ANN
Sumber :
Staf Input/Edit : Irwan Sofiyan   Irwan Sofiyan
File : 1 file
Tanggal Input : 28 Sep 2017

Seiring dengan terus meningkatnya jumlah rumah sakit, RSAU dr. M. Salamun dituntut untuk terus melakukan pengembangan untuk menciptakan competitive advantage bagi rumah sakit. Penyakit stroke merupakan penyebab utama kematian pada RSAU dr. M. Salamun. Serangan stroke dapat dicegah apabila pasien berisiko tinggi dapat dideteksi dini sehingga dokter dapat memberikan pengobatan yang tepat. Kemampuan prediksi risiko stroke pada pasien dapat menjadi competitive advantage dan membantu dokter dalam pengambilan keputusan. Penelitian ini dilakukan dengan menerapkan tiga algoritma data mining, yaitu decision tree C4.5, support vector machine (SVM), dan artificial neural network (ANN), menggunakan data personal dan data rekam medis dari 148 pasien stroke iskemik dan 124 pasien non-stroke RSAU dr. M. Salamun. Atribut input awal yang digunakan diperoleh dari hasil studi literatur dan penambahan dari dokter spesialis saraf. Risiko penyakit stroke dikategorikan menjadi dua kelas, yaitu risiko tinggi dan rendah. Berdasarkan hasil perbandingan, diperoleh C4.5 sebagai algoritma terbaik dalam memprediksi risiko penyakit stroke pada pasien dengan akurasi 90.52%. Penyesuaian decision tree dilakukan untuk mendapatkan decision tree yang sesuai dengan tujuan penggunaan sistem prediksi berdasarkan pendapat dokter saraf. Decision tree terpilih memiliki akurasi sebesar 84,42%. Atribut input direduksi menjadi 8 atribut berpengaruh, yaitu kolestrol total, kolestrol HDL, kolestrol LDL, trigliserida, monosit, trombosit, jenis kelamin dan kardiomegali. Penelitian ini mengusulkan implementasi aplikasi sederhana yang menerapkan aturan klasifikasi decision tree untuk memprediksi risiko stroke pada pasien di rumah sakit dan merujuk pasien berdasarkan kebutuhannya. Program ini dapat digunakan langsung oleh pihak rumah sakit, khususnya dokter di klinik spesialis jantung, penyakit dalam dan saraf, dan administrator di klinik terkait dan bagian medical check up untuk membantu rumah sakit dalam merencanakan manajemen klinis sekaligus meningkatkan competitive advantage.

Artikel Terkait