Klasifikasi penyakit sirosis hati menggunakan Metode Lightgbm dengan penanganan Outlier One Class SVM

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Rosida, Putri MaulinaMiftakhul (2025) Klasifikasi penyakit sirosis hati menggunakan Metode Lightgbm dengan penanganan Outlier One Class SVM. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Putri Maulina Miftakhul Rosida_09010221014 OK.pdf Download (2MB)
	Text Putri Maulina Miftakhul Rosida_09010221014 Full.pdf Restricted to Repository staff only until 25 February 2028. Download (6MB)

Abstract

Organ tubuh manusia yang memiliki peran penting dalam menjaga kesehatan salah satunya adalah hati. Berdasarkan data WHO tahun 2016 angka kematian penyakit sirosis pertahun mencapai 1.3 juta jiwa pertahun dan menjadi salah satu dari 10 penyakit paling mematikan di Indonesia dengan angka kematian lebih dari dua juta pertahun. Berdasarkan tingginya angka kematian tersebut penting melakukan klasifikasi penyakit sirosis agar dapat terdeteksi dan melakukan pengobatan sejak dini. Data penelitian merupakan data sekuder dengan 10 variabel yang berisikan data medis dan data gaya hidup. Penelitian klasifikasi penyakit sirosis menggunakan machine learning pada penanganan outlier One Class SVM dalam menghapus data outlier yang mempengaruhi pengambilan keputusan sehingga dapat meningkatkan keakuratan model klasifikasi menggunakan metode LightGBM. Hasil pada penelitian didapatkan dengan menggunakan metode LightGBM mendapatkan hasil akurasi sebesar 93.21%, sensitivitas sebesar 90.59%, dan spesifisitas sebesar 96.10%, sedangkan hasil dari sesudah dilakukan penanganan outlier dengan menggunakan One Class SVM dengan klasifikasi LightGBM memperoleh hasil akurasi sebesar 95.03%, sensitivitas sebesar 96.39%, dan spesifisitas sebesar 93.59%, sehingga dapat kesimpulan bahwa dengan menggunakan penanganan outlier One Class SVM dan LightGBM mendapatkan hasil akurasi lebih baik yang dibuktikan dengan peningkatan akurasi pada hasil klasifikasi sebesar 1.82%. Didapatkan kesimpulan bahwa dengan menggunakan penanganan outlier One Class SVM dan LightGBM mendapatkan performa terbaik yang ditunjukkan dengan peningkatan akurasi pada model klasifikasi.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Rosida, Putri MaulinaMiftakhul putrimmr@gmail.com 09010221014
Contributors:	Contribution Name Email NIDN Thesis advisor Novitasari, Dian Candra Rini diancrini@uinsa.ac.id 2024118502 Thesis advisor Hakim, Lutfi lutfihakimbungah@gmail.com 2025127301
Subjects:	Matematika
Keywords:	Klasifikasi; LightGBM; OCSVM; Sirosis.
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Putri Maulina Miftakhul Rosida
Date Deposited:	25 Feb 2025 07:42
Last Modified:	25 Feb 2025 07:42
URI:	http://digilib.uinsa.ac.id/id/eprint/75840

Actions (login required)

View Item