Skripsi

Diagnosis Penyakit Preeklampsia pada Ibu Hamil Berdasarkan Algoritme Ripper

---

bibliografi: hal. 72

RINGKASAN


Preeklampsia merupakan salah satu penyebab kematian utama pada ibu hamil, disamping perdarahan dan infeksi. Preeklampsia adalah penyakit yang unik karena hanya terjadi pada wanita hamil. Preeklampsia di kenal sebagai “disease of theories” karena banyak teori yang menjelaskan tentang penyebab preeklampsia dan sampai ini belum diketahui secara pasti penyebabnya. Beberapa faktor risiko telah teridentifikasi dapat meningkatkan risiko terjadinya preeklampsia. Ini menjadikan para peneliti dan praktisi memusatkan perhatiannya untuk mendeteksi/mendiagnosis penyakit preeklampsia, karena penyakit ini merupakan salah satu penyebab kematian tertinggi ketiga di ASEAN. Pada penelitian ini menggunakan aturan yang diperoleh dari algoritme RIPPER untuk mendiagnosis penyakit preeklampsia menggunakan dataset rekam medis ibu hamil. Dan selanjutnya digunakan untuk membandingkan performa antara pengujian dataset RMIH dengan menggunakan penanganan missing values dengan tanpa penangan missing values. Dari pengujian tersebut didapatkan hasil akurasi sebesar 98,9%, sensitivity 97,8%, dan specificity 100%, dengan tanpa penanganan missing values. Hasil evaluasi dataset yang sama menggunakan penanganan missing values menghasilkan akurasi yang sama sebesar 98,9%. Dari hasil tersebut dapat disimpulkan bahwa pengujian dataset RMIH menggunakan metode algoritme RIPPER dengan penanganan missing values ataupun datset bermissing values memiliki nilai akurasi yang sama.

Kata Kunci: Algoritme, diagnosis, missing values, preeklsmpsia, RIPPER.


ABSTRACT


Preeclampsia is one of the leading causes of death in pregnant women, in addition to bleeding and infection. Preeclampsia is a unique disease because it only occurs in pregnant women. Preeclampsia is known as a "disease of theories" because there are many theories that explain the causes of preeclampsia and the exact cause of this is unknown. Several risk factors have been identified that can increase the risk of preeclampsia. This makes researchers and practitioners focus on detecting / diagnosing preeclampsia, because this disease is one of the third highest causes of death in ASEAN. In this study using rules obtained from the RIPPER algorithm to diagnose preeclampsia using a medical record dataset of pregnant women. And then it is used to compare the performance between testing the RMIH dataset by using the missing values handling without handling missing values. From the test, the results of the accuracy were 98,9%, 97,8% sensitivity, and 100% specificity, with no handling of missing values. The results of the same dataset evaluation using the handling of missing values produced the same accuracy of 98,9%. From these results it can be concluded that testing the RMIH dataset using the RIPPER algorithm method by handling missing values or datset missing values has the same accuracy value.

Keywords: Algorithm, diagnosis, missing values, preeklsmpsia, RIPPER

---

Ketersediaan

TI2139

TI 2139 PRI d

UPT. PERPUSTAKAAN PUSAT

Tersedia - No Loan

Informasi Detail

Judul Seri

-

No. Panggil

TI 2139 PRI d

Penerbit

Purwokerto : Universitas Amikom Purwokerto., 2019

Deskripsi Fisik

xvii, 71 hlm.: ilus.: lampiran.; 28 cm

Bahasa

Indonesia

ISBN/ISSN

14.11.0214

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

September 2019

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Deni Priyadi

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar