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

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.