KLASIFIKASI OBAT ANTI TUBERKULOSIS MENGGUNAKAN ALGORITMA CATEGORICAL BOOSTING DENGAN OPTIMASI OPTUNA

Harmoni, Yosua Satria Bara (2025) KLASIFIKASI OBAT ANTI TUBERKULOSIS MENGGUNAKAN ALGORITMA CATEGORICAL BOOSTING DENGAN OPTIMASI OPTUNA. Undergraduate thesis, UNIVERSITAS PEMBANGUNAN NASIONAL "VETERAN" JAWA TIMUR.

	Text (Cover) 21083010029_cover.pdf Download (1MB)
	Text (Bab 1) 21083010029_bab 1.pdf Download (255kB)
	Text (Bab 2) 21083010029_bab 2.pdf Restricted to Registered users only until 18 June 2028. Download (1MB)
	Text (Bab 3) 21083010029_bab 3.pdf Restricted to Registered users only until 18 June 2028. Download (529kB)
	Text (Bab 4) 21083010029_bab 4.pdf Restricted to Registered users only until 18 June 2028. Download (1MB)
	Text (Bab 5) 21083010029_bab 5.pdf Download (226kB)
	Text (Daftar Pustaka) 21083010029_daftar pustaka.pdf Download (227kB)
	Text (Lampiran) 21083010029_lampiran.pdf Restricted to Registered users only until 18 June 2028. Download (895kB)

Abstract

Penyakit tuberkulosis merupakan salah satu penyebab utama kematian global, dengan angka kematian mencapai 1,30 juta jiwa pada tahun 2022, meningkat sebesar 3,2% dibandingkan tahun sebelumnya. Indonesia menjadi salah satu negara dengan jumlah kasus tuberkulosis tertinggi di dunia. Pendekatan Directly Observed Treatment Short-course (DOTS) berperan dalam meningkatkan efektivitas terapi tuberkulosis dengan memastikan ketersediaan Obat Anti Tuberkulosis yang tepat. Namun, kesalahan dalam pemilihan obat dapat memicu kegagalan terapi, kambuhan, dan kasus Multi-Drug Resistant (MDR). Untuk mengatasi hal ini, model klasifikasi berbasis data rekam medis pasien dapat digunakan guna meningkatkan ketepatan pemilihan obat. Penelitian ini berfokus pada pengembangan model klasifikasi untuk menentukan jenis obat menggunakan algoritma Categorical Boosting (CatBoost) yang dioptimalkan dengan Optuna menggunakan pendekatan Tree-structured Parzen Estimator (TPE). Data penelitian terdiri dari variabel numerik, seperti usia dan durasi pengobatan, serta variabel kategorik, seperti riwayat diabetes melitus, status HIV, dan kombinasi obat. Algoritma CatBoost dipilih karena kemampuannya dalam menangani data kategorik dengan baik. Optimasi hyperparameter dilakukan menggunakan Optuna guna memperoleh parameter terbaik untuk CatBoost. Tahapan preprocessing melibatkan penghapusan outlier, normalisasi fitur, serta reduksi dimensi pada 620 sampel data, yang kemudian dibagi menjadi 90% data latih dan 10% data uji. Hasil eksperimen menunjukkan bahwa model CatBoost menghasilkan akurasi awal sebesar 90%. Setelah menerapkan teknik oversampling dengan SMOTE dan optimasi parameter menggunakan Optuna, akurasi meningkat menjadi 96%, menunjukkan peningkatan sebesar 6%. Model ini mampu mengklasifikasikan jenis obat seperti isoniazid, rifampisin, dan pirazinamid secara akurat, sehingga dapat mendukung pemilihan terapi yang lebih efektif bagi pasien tuberkulosis.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Hindrayani, Kartika Maulida	NIDN 0009099205	kartikamaulida.ds@upnjatim.ac.id
Thesis advisor	Prasetya, Dwi Arman	NIDN 0005128001	arman.prasetya.sada@upnjatim.ac.id

Subjects:

Q Science > QA Mathematics > QA76.6 Computer Programming
R Medicine > RM Therapeutics. Pharmacology

Divisions:

Faculty of Computer Science > Departemen of Data Science

Depositing User:

Yosua Satria Bara Harmoni

Date Deposited:

19 Jun 2025 06:51

Last Modified:

19 Jun 2025 06:51

URI:

https://repository.upnjatim.ac.id/id/eprint/38516