Deteksi Gastroesophageal Reflux Disease (GERD) berbasis Ulasan Obat Menggunakan Ensemble Learning

ZIKRULLAH ALIWAINDA

Informasi Dasar

21.04.3187
006.31
Karya Ilmiah - Skripsi (S1) - Reference

Gastroesophageal Reflux Disease (GERD) adalah terjadinya refluks cairan asam lambung ke esofagus. GERD diketahui sebagai penyebab radang tenggorokan posterior dan batuk kronis. Selain itu GERD juga diketahui sebagai faktor resiko Idiopathic Pulmonary Fibrosis (IPF), oleh karena itu diperlukan deteksi dini penyakit GERD. Deteksi dini GERD biasanya menggunakan Proton Pump Inhibitor (PPI), namun metode ini memliki efek samping kepada penggunanya oleh karena itu dibutuhkan metode lain dalam mendeteksi GERD. Machine learning dapat digunakan dalam mendeteksi penyakit dengan gambar dan juga informasi tekstual. Salah satu metode machine learning yang dapat digunakan adalah ensemble learning dimana metode ini menggabungkan beberapa model machine learning untuk meningkatkan performansi dari model yang dibangun. Pada penulisan tugas akhir ini, model ensemble learning dibangun untuk mendeteksi GERD berdasarkan ulasan obat yang dikonsumsi oleh penderita penyakit GERD dan bukan penderita. Metode ensemble yang digunakan adalah Adaptive Boosting (AdaBoost) dan Random Forest (RF) dengan seleksi data menggunakan feature importance. Harapannya dengan metode tersebut dapat menghasilkan model dengan performansi yang lebih baik dari model tanpa ensemble. Penelitian ini menunjukkan bahwa model RF memiliki performansi yang lebih tinggi daripada model AdaBoost dimana akurasi RF dan Adaboost berturut-turut bernilai 91.32% dan 88.36%.

Subjek

Machine Learning
 

Katalog

Deteksi Gastroesophageal Reflux Disease (GERD) berbasis Ulasan Obat Menggunakan Ensemble Learning
 
 
Indonesia

Sirkulasi

Rp. 0
Rp. 0
Tidak

Pengarang

ZIKRULLAH ALIWAINDA
Perorangan
Isman Kurniawan, Fhira Nhita
 

Penerbit

Universitas Telkom, S1 Informatika
Bandung
2021

Koleksi

Kompetensi

 

Download / Flippingbook

 

Ulasan

Belum ada ulasan yang diberikan
anda harus sign-in untuk memberikan ulasan ke katalog ini