IMPLEMENTASI POHON KEPUTUSAN (DECISION
TREE) DAN NEURAL NETWORK UNTUK PREDIKSI
SEVERITY LEVEL PADA KASUS HIPERTENSI DI
RSUD KHIDMAT SEHAT AFIAT (KISA) DEPOK

UPT. PERPUSTAKAAN Universitas Esa Unggul Kampus Emas UEU - Jakarta Barat
Phone	:	021-5674223, ext 282
Fax	:
E-mail	:	[email protected]
Website	:	http://library.esaunggul.ac.id
Support (Customer Service) :
[email protected]

Welcome..guys!

Have a problem with your access?
Please, contact our technical support below:

LIVE SUPPORT

Astrid Chrisafi

! ATTENTION !

To facilitate the activation process, please fill out the member application form correctly and completely

Registration activation of our members will process up to max 24 hours (confirm by email). Please wait patiently

Still Confuse?
Please read our User Guide

UEU » Undergraduate Theses » Manajemen Informasi Kesehatan
Posted by [email protected] at 16/12/2024 13:17:43 • 25 Views

IMPLEMENTASI POHON KEPUTUSAN (DECISION TREE) DAN NEURAL NETWORK UNTUK PREDIKSI SEVERITY LEVEL PADA KASUS HIPERTENSI DI RSUD KHIDMAT SEHAT AFIAT (KISA) DEPOK

Created by :
ARLIEN RONA RAFIDAH ( 20200304170 )

Subject:	IMPLEMENTASI KEPUTUSAN NEURAL NETWORK SEVERITY LEVEL KASUS HIPERTENSI
Alt. Subject :	IMPLEMENTATION DECISION NEURAL NETWORK SEVERITY LEVEL HYPERTENSION CASE
Keyword:	Klasifikasi Severity Level Neural Network Decision Tree

Description:

Severity level merupakan salah satu aspek yang menentukan besarnya tarif INACBGs pada setiap kasus CMG (Case Main Groups). Severity Level menggambarkan tingkat keparahan kasus yang dipengaruhi adanya komorbiditas ataupun komplikasi dalam masa perawatan.Tujuan dari penelitian ini adalah melakukan prediksi severity level dengan implementasi decision tree dan neural network. Prediksi severity level yang dilakukan pada masa perawatan dapat mengantisipasi kenaikan level severity pasien jika terdapat komplikasi selama dalam masa perawatan. Data Mining bisa digunakan untuk klasifikasi prediksi severity level. Pada penelitian ini akan digunakan algoritma dalam metode klasifikasi yaitu Decision Tree, dan Neural Network menggunakan Orange Data Mining sebagai tools dari metode tersebut dan selanjutnya akan dilakukan evaluasi akurasi dari masing-masing model tersebut. Penelitian ini dilakukan di RSUD Khidmat Sehat Afiat Depok dengan menggunakan 162 data dari laporan klaim rawat inap dengan diagnosa utama Hipertensi dan Hypertensive Heart Disease dan diagnosa sekunder CHF, CKD, dan keduanya. Proses prediksi dilakukan dengan membagi 114 data test dan 48 data training. selanjutnya data mahasiswa akan dianalisa menggunakan aplikasi orange data mining dengan Decision Tree dan Neural Network dihasilkan nilai test and score tertinggi pada neural network dengan AUC 62,5%, CA 57%, F1 56,2%, dan precision 57,7%. Berdasarkan perhitungan dari confusion matrix dapat diketahui bahwa kinerja dari model neural network memiliki nilai accuracy lebih tinggi yaitu 57,89%. Pada precision neural network memiliki nilai lebih tinggi yaitu 65,6%. Begitu pula pada recall neural network memiliki nilai lebih tinggi yaitu 80,76%. Maka dari itu, untuk klasifikasi prediksi severity level kasus hipertensi di RSUD Khidmat Sehat Afiat merekomendasikan model Neural Network karena memiliki tingkat akurasi lebih baik dibanding Decision Tree.

Contributor	:	MIEKE NURMALASARI, S.Si, M.Si, M.Sc
Date Create	:	16/12/2024
Type	:	Text
Format	:	PDF
Language	:	Indonesian
Identifier	:	UEU-Undergraduate-20200304170
Collection ID	:	20200304170

Source :
Undergraduate Theses of Health Information Management

Relation Collection:
Fakultas Ilmu-Ilmu Kesehatan

Coverage :
Civitas Akademika Universitas Esa Unggul

Rights :
@2024 Perpustakaan Universitas Esa Unggul

Publication URL :
https://digilib.esaunggul.ac.id/implementasi-pohon-keputusan-decisiontree-dan-neural-network-untuk-prediksiseverity-level-pada-kasus-hipertensi-dirsud-khidmat-sehat-afiat-kisa-depok-36789.html

[ Free Download - Free for All ]