ABSTRAK Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati COVER Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati BAB 1 Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati BAB 2 Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati BAB 3 Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati BAB 4 Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati BAB 5 Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati PUSTAKA Horas Miharkeisal Sinaga
PUBLIC Yati Rochayati
Pemodelan prediktif memainkan peran krusial dalam memperkirakan penyakit
kronis dan akut, memungkinkan identifikasi dini, intervensi tepat waktu, dan
layanan kesehatan yang dipersonalisasi. Prediksi penyakit kronis melibatkan
pemanfaatan teknik analisis data tingkat lanjut, khususnya machine learning, untuk
mengevaluasi kerentanan individu terhadap kondisi jangka panjang seperti
hepatitis-C dan stroke. Model-model ini menganalisis data medis yang multifaset,
faktor gaya hidup, dan penanda genetik untuk memperkirakan risiko perkembangan
penyakit kronis dalam jangka waktu yang lama, serta mendukung manajemen
proaktif dan intervensi yang disesuaikan. Untuk memfasilitasi diagnosis yang cepat
dan akurat oleh tenaga medis, metode machine learning digunakan. Dalam
penelitian ini, berbagai algoritma machine learning diterapkan, termasuk Random
Forest, Logistic Regression, K-Nearest Neighbor, Decision Tree, Gaussian Naïve
Bayes, XGBoost, Support Vector Machine (SVM), Gradient Boosting Machine,
dan Adaptive Boosting. Model-model ini dievaluasi berdasarkan akurasi, presisi,
sensitivitas, dan F1-Score. Model algoritma Decision Tree dengan tiga belas
parameter menunjukkan akurasi sebesar 0,95, presisi sebesar 0,81, sensitivitas
sebesar 0,69, dan F1-Score sebesar 0,75, menjadikannya model terbaik dalam
pengklasifikasian hepatitis-C. Selain itu, model algoritma Decision Tree dengan
tiga belas parameter juga menunjukkan akurasi sebesar 0,94, presisi sebesar 0,81,
sensitivitas sebesar 0,69, dan F1-Score sebesar 0,75, menjadikannya model terbaik
dalam pengklasifikasian stroke. Namun, penerapan metode machine learning oleh
tenaga medis masih sangat terbatas. Untuk mengatasi masalah ini, AiCare hadir
sebagai solusi untuk membantu tenaga medis dalam implementasi machine learning
untuk diagnosis penyakit kronis dan akut. Dalam penelitian sebelumnya, AiCare
telah dikembangkan untuk penyakit kronis. Penelitian ini akan melanjutkan
pengembangan AiCare tahap II, dengan menambahkan beberapa fitur baru untuk
meningkatkan daya tarik dan fungsionalitas aplikasi, sehingga diharapkan akan
lebih banyak pengguna yang memanfaatkan AiCare di masa depan.