Margaretha, Lydia and dr. Hera Dwi Novita, Sp.M(K) and Yuita Arum Sari, S.Kom.,M.Kom. (2024) Tingkat Akurasi Model Identifikasi Faktor Risiko Katarak Senilis Menggunakan Algoritma Machine Learning. Magister thesis, Universitas Brawijaya.
Abstract
Tujuan : Untuk mengetahui tingkat akurasi model identifikasi faktor risiko katarak senilis menggunakan algoritma machine learning dengan klasifikasi Random Forest. Metode : Penelitian ini merupakan penelitian observasional dengan pendekatan analitik non implementatif berbasis komunitas dengan studi case control. Penelitian ini menggunakan data sekunder dari tiga desa dan satu perusahaan di kota Malang. Responden dengan usia ≥ 40 tahun memiliki data yang terdiri dari nama, usia, jenis kelamin, ketajaman visual, parameter segmen anterior, riwayat merokok, hipertensi, diabetes melitus, tingkat pendidikan, dan riwayat paparan sinar matahari. Studi ini dianalisis menggunakan regresi logistik untuk analisis statistik dan algoritma Random Forest untuk proses pembelajaran machine learning. Hasil : Terdapat 1.099 data yang dikumpulkan. Prevalensi tertinggi dari kelompok katarak adalah tanpa faktor risiko dengan rata-rata 600 data (60%) dan prevalensi terendah adalah kelompok faktor risiko berat dengan persentase sebesar 1-2%. Setelah menerapkan beberapa metode pre-processing, seperti normalisasi data, penghapusan outlier, dan memanfaatkan Parameter Terbaik dari algoritma Random Forest, akurasi terbaik tercapai dengan 3 klasifikasi katarak menggunakan Parameter Terbaik pada mata kanan. Kesimpulan : Hasil akurasi terbaik didapatkan pada percobaan dengan 3 kelas klasifikasi risiko katarak menggunakan Best Parameter dari algoritma Random Forest yaitu sebesar 81%. Semakin sedikit feature yang dimasukkan, semakin menurunkan nilai akurasi. Selain itu, metode normalisasi data dalam pre-processing juga dapat meningkatkan nilai akurasi.
English Abstract
Objective : To evaluate the accuracy level of senilic cataract risk factor identification model using machine learning algorithm with Random Forest classification. Method : This study is an observational community-based with a non-implementation analytical case control study using secondary data from three districts and one company in Malang city. Respondents with age ≥ 40 years old had data consisting of name, age, gender, visual acuity, anterior segment parameters, history of smoking, hypertension or diabetes mellitus, education level and history of sun exposure. This study was analyzed using logistic regression for statistical and Random Forest algorithm for machine learning process. Results : There were 1,099 data were collected. The highest prevalence of cataract group was no risk factor with average 600 data (60%) and the lowest prevalence was severe risk factor group only 1-2%. After applying several preprocessing methods such as data normalization, outlier removal, and utilizing the Best Parameter from the Random Forest machine, the best accuracy was achieved with 3 class of cataract classifications using the Best Parameter on the right eye. Conclusion : The best accuracy results were obtained in experiments with 3 cataract classification classes using the Best Parameter Random Forest algorithm, namely 81%. The fewer features included, the lower the accuracy value. Apart from that, Apart from that, data normalization methods in preprocessing can also increase accuracy values.
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | 042406 |
| Uncontrolled Keywords: | katarak, faktor risiko, prediksi, machine learning, random forest.-cataract, risk factor, predictions, machine learning, random forest. |
| Divisions: | Profesi Kedokteran > Spesialis Ilmu Kesehatan Mata, Fakultas Kedokteran |
| Depositing User: | Unnamed user with username nova |
| Date Deposited: | 06 Sep 2024 07:40 |
| Last Modified: | 06 Sep 2024 07:40 |
| URI: | http://repository.ub.ac.id/id/eprint/225505 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Lydia Margaretha.pdf Restricted to Registered users only Download (4MB) |
Actions (login required)
 |
View Item |