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

ANALISIS PENERAPAN PEMBELAJARAN MESIN UNTUK PREDIKSI MORTALITAS PASIEN NEUROKRITIKAL

309 views
Save At List
Penulis : Ramdinal Aviesena Zairinal [23224092]
Kontributor / Dosen Pembimbing :
  • Allya Paramita Koesoema, S.T, M.T, Ph.D.
  • Dr. Beni Rio Hermanto, S.T, MM.
Jenis Koleksi : Tesis
Tahun Terbit : 2026
Penerbit : Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek : Applied physics
Kata Kunci : pasien neurokritikal, pembelajaran mesin, mortalitas, LASSO, SHAP, random forest
Sumber :
Staf Input/Edit : Esha Mustika Dewi  
File : 1 file
Tanggal Input : 16 Jul 2026

Pasien neurokritikal memiliki risiko mortalitas yang tinggi dan membutuhkan pengambilan keputusan klinis yang cepat. Sistem skor belum selalu mampu menangkap kompleksitas klinis pasien neurokritikal yang heterogen. Penelitian ini bertujuan untuk menganalisis penerapan Machine Learning (ML) dalam model prediksi mortalitas pasien neurokritikal, mengevaluasi performanya, serta mengidentifikasi fitur klinis utama yang berkontribusi terhadap prediksi mortalitas. Penelitian ini menggunakan dataset rumah sakit yang terdiri atas 548 pasien dan 145 variabel awal. Variabel dependen adalah mortalitas selama perawatan rumah sakit. Dataset diproses melalui pembersihan data, standardisasi, pembagian data latih dan data uji terstratifikasi, seleksi fitur berbasis Least Absolute Shrinkage and Selection Operator (LASSO), penerapan model, hyperparameter tuning, analisis SHapley Additive exPlanations (SHAP), dan evaluasi setiap diagnosis. Model yang dikembangkan meliputi Logistic Regression (LR), Random Forest (RF), support vector machine (SVM), decision tree (DT), gradient boosting, Adaptive Boosting (AdaBoost), dan Extreme Gradient Boosting (XGBoost). Dua skenario pemodelan dilakukan, yaitu pemodelan dengan seluruh fitur dan seleksi fitur berbasis LASSO. Pada skenario seluruh fitur, model RF dengan 5 fitur menunjukkan sensitivitas teringgi, yaitu 0,933, dengan akurasi 0,800, presisi 0,757, F1-score 0,836, dan ROC-AUC 0,900. Sementara itu, skenario dengan seleksi fitur berbasis LASSO menghasilkan model SVM dengan 24 fitur memiliki sensitivitas tertinggi, yaitu 0,932, disertai akurasi 0,818, presisi 0,775, F1-score 0,846, dan ROC-AUC 0.875. Fitur-fitur utama yang berkontribusi terhadap prediksi mortalitas meliputi terapi suportif, skor Sequential Organ Failure Assessment (SOFA), skor Acute Physiology and Chronic Health Evaluation (APACHE) II, fungsi ginjal, dan reaktivitas pupil. Dengan demikian, model pembelajaran mesin sangat berpotensi untuk membantu identifikasi dini pasien neurokritikal dengan risiko mortalitas tinggi.

Artikel Terkait