Скачать с ютуб Pemodelan Matematika dan Komputasi Kelompok 1 (FMIPA UGM) в хорошем качестве

Pemodelan Matematika dan Komputasi Kelompok 1 (FMIPA UGM)

Decision Level Fusion on Healthcare Anggota Kelompok: Desi Natalia Muskananfola (511924) Laurentius Anindito Wisnu S. (512185) Gusti Ayu Dwi Y. (513787) Astri Ayu Nastiti (526193) Arya Impun Diapari Lubis (526990) Pengelolaan perawatan pasien adalah aspek krusial yang mempengaruhi kualitas hidup pasien dan efisiensi operasional rumah sakit. Perawatan pasien dapat dibagi menjadi dua kategori utama: rawat inap dan rawat jalan. Tujuan penelitian ini adalah untuk membangun model pembelajaran mesin yang dapat memprediksi dengan akurat apakah seorang pasien harus diklasifikasikan sebagai rawat inap atau rawat jalan berdasarkan hasil tes laboratorium. Lima metode klasifikasi yang diterapkan dalam penelitian ini adalah Regresi Logistik, Support Vector Machine (SVM), Neural Network, Random Forest, dan Gradient Boosting. Variabel fitur dalam dataset mencakup hasil tes laboratorium dan informasi demografis pasien, seperti Haematocrit, Haemoglobins, Erythrocyte, Leucocyte, Thrombobyte, MCH, MCHC, MCV, Age, and Gender. Variabel target adalah tipe perawatan pasien, dikodekan sebagai 1 untuk rawat inap dan 0 untuk rawat jalan. Penelitian ini juga menerapkan metode Decision Fusion untuk meningkatkan akurasi dan stabilitas prediksi. Setelah preprocessing untuk mendeteksi dan menghapus outlier, data dibagi menjadi data latih dan data uji. Model-model kemudian di-fit dan diuji pada data uji. Prediksi dari kelima metode klasifikasi digabungkan menggunakan majority voting untuk mendapatkan prediksi akhir. Hasil penelitian menunjukkan bahwa metode SVM memiliki akurasi tertinggi (77.57\%) dengan recall tertinggi (90.45\%). Namun, metode Fusion dengan Score Level menghasilkan keseimbangan terbaik dengan akurasi 77.42\%, precision 77.95\%, recall 90\%, dan F1 Score 83.54\%. Dengan demikian, metode fusion dapat memberikan kinerja yang lebih baik dibandingkan model individu dengan memanfaatkan kekuatan kolektif dari semua model yang digunakan.