Implementasi K-Means Untuk Klasterisasi Penyakit Stroke Berdasarkan Gejala Dan Faktor Risiko

Damayanti, Echa and Wasilah, Wasilah (2025) Implementasi K-Means Untuk Klasterisasi Penyakit Stroke Berdasarkan Gejala Dan Faktor Risiko. Skripsi thesis, Insititut Informatika & Bisnis Darmajaya.

	Text COVER SKRIPSI.pdf Download (28kB)
	Text PERNYATAAN .pdf Download (36kB)
	Text PENGESAHAN.pdf Download (779kB)
	Text PERSETUJUAN.pdf Download (639kB)
	Text ABSTRAK.pdf Download (6kB)
	Text BAB 2.pdf Download (237kB)
	Text BAB 3.pdf Download (219kB)
	Text BAB 4.pdf Download (732kB)
	Text BAB 5.pdf Download (8kB)
	Text DAFTAR PUSTAKA .pdf Download (77kB)
	Text DAFTAR ISI.pdf Download (80kB)

Abstract

INTISARI IMPLEMENTASI K-MEANS UNTUK KLASTERISASI PENYAKIT STROKE BERDASARKAN GEJALA DAN FAKTOR RISIKO Oleh ECHA DAMAYANTI damayantiecha8@gmail.com Stroke merupakan salah satu penyakit yang memiliki tingkat kematian dan kecacatan tinggi di seluruh dunia. Hal ini memerlukan penanganan secara khusus untuk mendeteksi secara dini. Jika hal ini tidak diatasi akan berdampak pada peningkatan kematian yang lebih tinggi. Deteksi dini dan pemahaman terhadap faktor risiko menjadi hal krusial dalam upaya pencegahan. Penelitian ini bertujuan untuk mengelompokkan pasien stroke berdasarkan gejala dan faktor risiko menggunakan algoritma K-Means Clustering. Dataset yang digunakan berasal dari platform Kaggle dengan total 5.110 data, mencakup atribut seperti usia, hipertensi, penyakit jantung, kadar glukosa, BMI, dan status merokok. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan (data cleaning, encoding, dan seleksi fitur), penerapan algoritma K-Means, serta evaluasi klaster dengan metode Elbow untuk menentukan jumlah klaster optimal. Hasil analisis menunjukkan bahwa nilai k terbaik adalah 4, dengan masing-masing klaster merepresentasikan tingkat risiko stroke yang berbeda, mulai dari rendah hingga tinggi. Klaster 0 dan 1 menunjukkan individu dengan risiko tinggi, Klaster 2 risiko sedang, dan Klaster 3 risiko rendah. Temuan ini menunjukkan bahwa K-Means dapat mengidentifikasi pola tersembunyi dalam data pasien dan memberikan landasan awal dalam penanganan preventif stroke secara lebih terarah. Implementasi ini juga mendukung pengambilan keputusan medis berbasis data untuk peningkatan layanan kesehatan.

Item Type:	Thesis (Skripsi)
Subjects:	600 Teknologi - Ilmu terapan > 620 Ilmu Teknik - Engineering eSkripsi
Divisions:	Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	Echa Damayanti
Date Deposited:	21 Aug 2025 04:39
Last Modified:	21 Aug 2025 04:39
URI:	http://repo.darmajaya.ac.id/id/eprint/21033

Actions (login required)

View Item