PREDIKSI KOMPLIKASI MEDIS PASIEN HEMODIALISIS DI RSUD Dr. ISKAK TULUNGAGUNG MENGGUNAKAN XGBOOST DENGAN OPTIMALISASI ARTIFICIAL BEE COLONY

Aryananda, Rangga Laksana (2025) PREDIKSI KOMPLIKASI MEDIS PASIEN HEMODIALISIS DI RSUD Dr. ISKAK TULUNGAGUNG MENGGUNAKAN XGBOOST DENGAN OPTIMALISASI ARTIFICIAL BEE COLONY. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (Cover) 21083010036_Cover.pdf Download (1MB)
	Text (BAB I) 21083010036_BAB I.pdf Download (148kB)
	Text (BAB II) 21083010036_BAB II.pdf Restricted to Registered users only until 27 May 2028. Download (819kB)
	Text (BAB III) 21083010036_BAB III.pdf Restricted to Registered users only until 27 May 2028. Download (611kB)
	Text (BAB IV) 21083010036_BAB IV.pdf Restricted to Registered users only until 27 May 2028. Download (4MB)
	Text (BAB V) 21083010036_BAB V.pdf Download (77kB)
	Text (Daftar Pustaka) 21083010036_Daftar Pustaka.pdf Download (99kB)
	Text (Lampiran) 21083010036_Lampiran.pdf Restricted to Registered users only until 27 May 2028. Download (5MB)

Abstract

Penyakit Ginjal Kronik (PGK) merupakan salah satu penyebab utama kematian global, dengan 1,2 juta kematian pada tahun 2019 dan peningkatan sebesar 31,7% sejak tahun 2010. Tingginya angka ini menempatkan PGK sebagai penyebab kematian ke-12 di dunia. Kurangnya deteksi dini meningkatkan risiko komplikasi serius pada pasien hemodialisis, seperti hipertensi, hipotensi, dan gangguan gastrointestinal yang dapat memperburuk kondisi pasien. Penelitian ini bertujuan untuk memprediksi risiko komplikasi pasien hemodialisis di RSUD Dr. Iskak Tulungagung menggunakan model Extreme Gradient Boosting (XGBoost) yang dioptimalkan dengan algoritma Artificial Bee Colony (ABC). Optimasi dilakukan terhadap delapan parameter utama XGBoost, yaitu n_estimators, learning_rate, max_depth, min_child_weight, gamma, subsample, colsample_bytree, dan regularization coefficient (λ). Sebanyak 72 model diuji menggunakan kombinasi data seimbang dan tidak seimbang, dengan metode pembagian hold-out (rasio 75:25 dan 80:20) serta k-fold cross-validation (k= 3, 5, 7, dan 10). Hasil menunjukkan bahwa pada metode hold-out 75:25 dengan data seimbang, model XGBoost-ABC mencapai akurasi tertinggi sebesar 96%, meningkat dari 94% sebelum optimasi. Sedangkan pada k-fold dengan K=5, akurasi meningkat dari 84% menjadi 87%. Parameter terbaik diperoleh dengan jumlah lebah pekerja sebanyak 30, iterasi maksimum sebanyak 30, dan limit sebesar 10 untuk hold-out, serta jumlah lebah pekerja sebanyak 20, iterasi maksimum sebanyak 20, dan limit sebesar 10 untuk k-fold. Meskipun optimasi ABC memerlukan waktu pelatihan lebih lama, peningkatan akurasi tercatat konsisten di seluruh skenario pengujian. Implementasi model ini diharapkan mendukung deteksi dini komplikasi hemodialisis, meningkatkan kualitas layanan kesehatan, dan menurunkan angka kematian pasien.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Trimono, Trimono	NIP199509082022031003	trimono.stat@upnjatim.ac.id
Thesis advisor	Saputra, Wahyu Syaifullah Jauharis	NIP198608252021211003	wahyu.s.j.saputra.if@upnjatim.ac.id

Subjects:

T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Data Science

Depositing User:

Rangga Laksana Aryananda

Date Deposited:

05 Nov 2025 03:04

Last Modified:

05 Nov 2025 03:04

URI:

https://repository.upnjatim.ac.id/id/eprint/36753