Algoritma Random Forest Untuk Prediksi Kelangsungan Hidup Pasien Gagal Jantung Menggunakan Seleksi Fitur Bestfirst

research
  • 18 Oct
  • 2022

Algoritma Random Forest Untuk Prediksi Kelangsungan Hidup Pasien Gagal Jantung Menggunakan Seleksi Fitur Bestfirst

Gagal jantung yang merupakan masalah kesehatan yang global yang tidak hanya menimbulkan masalah fisik, dampak lain seperti psikologis, social dan ekonomi, serta mengalami depresi, yang mempengaruhi dalam pengobatan, memperburuk status fungsional dan meningkatkan tingkat rawat inap hingga kematian. Menurut World Health Organization (WHO) hampir 17,5 juta orang meninggal yang diakibatkan oleh penyakit kardiovaskuler yang mewakili dari 31% kematian yang ada di dunia. Menggunakan machine learning untuk mempresiksi kelangsungan hidup pasien penderita gagal jantung agar dapat melakukan pencegahan dari awal. Tahapan penelitian yang dilakukan meliputi tahapan pemahaman bisnis, tahapan pemahaman data, tahapan persiapan data, tahap pemodelan dan tahap evaluasi. Pada penelitian kali ini menggunakan seleksi fiture menggunakan bestfirst menghasilkan 4 fitur yang sangat berpengaruh yaitu age, enjection_fraction, serum_creatinene dan time, serta penangan imbalance class menggunakan model class balancer. Algoritma random forest dengan metode percentage split 80% yang menghasilkan accuracy 91,45%, mean absolute error 0.1874, incorrectly classified instances 8.55%, precision 0.915, recall 0.914, AUC 0.953.

Unduhan

 

REFERENSI

L. Ali et al., “A Feature-Driven Decision Support System for Heart Failure Prediction Based on χ2 Statistical Model and Gaussian Naive Bayes,” Comput. Math. Methods Med., vol. 2019, 2019, doi: 10.1155/2019/6314328.

Nursyamsiah and R. Hasan, “High-sensitivity c-reactive protein (hs-CRP) value with 90 days mortality in patients with heart failure,” IOP Conf. Ser. Earth Environ. Sci., vol. 125, no. 1, 2018, doi: 10.1088/1755-1315/125/1/012124.

T. R. Heallen, Z. A. Kadow, J. H. Kim, J. Wang, and J. F. Martin, “Stimulating Cardiogenesis as a Treatment for Heart Failure,” Circ. Res., vol. 124, no. 11, pp. 1647–1657, 2019, doi: 10.1161/CIRCRESAHA.118.313573.

S. E. Awan, M. Bennamoun, F. Sohel, F. M. Sanfilippo, and G. Dwivedi, “Machine learning-based prediction of heart failure readmission or death: implications of choosing the right model and the right metrics,” ESC Hear. Fail., vol. 6, no. 2, pp. 428–435, 2019, doi: 10.1002/ehf2.12419.

A. P. Utami, Fitri, “Gambaran Karakteristik Personal pada Pasien Gagal Jantung: A Narrative Review Article,” J. Ilm. Keperawatan Indones., vol. 5, no. 1, pp. 45–57, 2022, [Online]. Available: https://www.google.com/search?q=jurnal+ilmiah+keperawatan&ie=utf-8&oe=utf-8

N. R. Jones, A. K. Roalfe, I. Adoki, F. D. R. Hobbs, and C. J. Taylor, “Survival of patients with chronic heart failure in the community: a systematic review and meta-analysis,” Eur. J. Heart Fail., vol. 21, no. 11, pp. 1306–1325, 2019, doi: 10.1002/ejhf.1594.

M.- Kamal, “Potential effectiveness of sleep hygiene and relaxation Benson in improving the quality of sleep in patients with heart failure: Literature review,” Int. J. Nurs. Heal. Serv., vol. 2, no. 1, pp. 101–107, 2019, doi: 10.35654/ijnhs.v2i1.69.

T. Ahmad et al., “Machine learning methods improve prognostication, identify clinically distinct phenotypes, and detect heterogeneity in response to therapy in a large cohort of heart failure patients,” J. Am. Heart Assoc., vol. 7, no. 8, pp. 1–14, 2018, doi: 10.1161/JAHA.117.008081.

F. M. Zahid, S. Ramzan, S. Faisal, and I. Hussain, “Gender based survival prediction models for heart failure patients: A case study in Pakistan,” PLoS One, vol. 14, no. 2, pp. 1–10, 2019, doi: 10.1371/journal.pone.0210602.

Z. Kucukakcali, I. B. Cicek, E. Guldogan, and C. Colak, “ASSESSMENT OF ASSOCIATIVE CLASSIFICATION APPROACH FOR PREDICTING MORTALITY BY HEART FAILURE,” J. Cogn. Syst., vol. 5, no. 2, pp. 41–45, 2020.

D. Chicco and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone,” BMC Med. Inform. Decis. Mak., vol. 20, no. 1, pp. 1–16, 2020, doi: 10.1186/s12911-020-1023-5.

M. T. Le, M. T. Vo, N. T. Pham, and S. V. T. Dao, “Predicting heart failure using a wrapper-based feature selection,” Indones. J. Electr. Eng. Comput. Sci., vol. 21, no. 3, pp. 1530–1539, 2021, doi: 10.11591/ijeecs.v21.i3.pp1530-1539.

R. Fadli, “Gagal Jantung.”

P. Pittara, “Gagal Jantung,” Alodokter, 2022. https://www.alodokter.com/gagal-jantung

B. A. Candra Permana and I. K. Dewi Patwari, “Komparasi Metode Klasifikasi Data Mining Decision Tree dan Naïve Bayes Untuk Prediksi Penyakit Diabetes,” Infotek J. Inform. dan Teknol., vol. 4, no. 1, pp. 63–69, 2021, doi: 10.29408/jit.v4i1.2994.

S. Suhartini and R. Yuliani, “Penerapan Data Mining untuk Mengcluster Data Penduduk Miskin Menggunakan Algoritma K-Means di Dusun Bagik Endep Sukamulia Timur,” Infotek J. Inform. dan Teknol., vol. 4, no. 1, pp. 39–50, 2021, doi: 10.29408/jit.v4i1.2986.

A. Wiraguna, S. Al Faraby, and Adiwijaya, “Klasifikasi Topik Multi Label pada Hadis Bukhari dalam Terjemahan Bahasa Indonesia Menggunakan Random Forest,” e-Proceeding Eng., vol. 6, no. 1, pp. 2144–2153, 2019.

I. Maulana, M. Irawan Padli Nasution, and A. Ikhwan, “Aplikasi Pendaftaran Siswa Baru Menggunakan Algoritma Best First Search pada SMP Negeri 1 Medab,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2020.

L. I. Liana and S. R. Nudin, “Implementasi Algoritma Best-First Search untuk Aplikasi Mesin Pencari Handphone pada E-commerce (Apenphone),” J. Informatics Comput. Sci., vol. 2, no. 01, pp. 67–73, 2020, doi: 10.26740/jinacs.v2n01.p67-73.

Larxel, “Heart Failure Prediction,” Kaggle, 2020. https://www.kaggle.com/datasets/andrewmvd/heart-failure-clinical-data

Aris Sudianto and L. M. Samsu, “Penerapan Media Pembelajaran Interaktif Pelajaran Bahasa Indonesia Berbasis Android Untuk Kelas Vii Madrasah Tsanawiyah Nahdlatul Wathan Ketangga Sebagai Upaya Untuk Peningkatkan Minat Belajar Siswa,” vol. 2, no. 2, pp. 5–10, 2019.

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru