Intan Kemaladina Primary Author mixed material bibliography Banda Aceh Fakultas Kedokteran 2026

Theses

Prognosis setelah stroke hemoragik sering kali sulit ditentukan, terutama dalam 24–48 jam pertama ketika pengambilan keputusan klinis sangat krusial. Prediksi mortalitas dini berperan penting dalam proses triase dan perencanaan terapi. Meskipun pendekatan machine learning telah banyak diterapkan dalam penelitian mengenai stroke, studi yang secara khusus mengembangkan model prediktif awal untuk mortalitas pada stroke hemoragik akut masih terbatas, terutama di Indonesia. Penelitian ini bertujuan untuk merancang model machine learning yang dapat memprediksi mortalitas dini pada pasien stroke hemoragik akut menggunakan data retrospektif pasien dengan perdarahan intraserebral yang dirawat di rumah sakit rujukan. Dataset mencakup 746 pasien dengan 20 variabel klinis, laboratorium, dan radiologis, serta menggunakan tiga algoritma pembanding, yaitu Decision Tree, Random Forest, dan Gaussian Naive Bayes. Kinerja model dievaluasi berdasarkan akurasi, sensitivitas, spesifisitas, F1-score, dan Area Under the Curve (AUC). Hasil menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 84,77%, F1-score 84,63%, dan AUC 80,51%, diikuti oleh Decision Tree dengan akurasi 80,98% dan AUC 61,12%, serta Naive Bayes dengan akurasi 68,35%, presisi tertinggi 89,83%, dan AUC 82,94%. Model Random Forest terbukti paling unggul dalam memberikan prediksi dini terhadap mortalitas pasien stroke hemoragik dengan akurasi dan stabilitas yang lebih tinggi dibandingkan algoritma lainnya. Implementasi model ini berpotensi membantu klinisi dalam proses triase, pengambilan keputusan, dan penatalaksanaan pasien berisiko tinggi, meskipun penelitian lanjutan dengan data multi-senter dan variabel yang lebih komprehensif masih diperlukan untuk meningkatkan validitas dan generalisasi model. Kata kunci: Stroke hemoragik, ICH, mortalitas, prediksi dini, machine learning. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1710145 2026-01-23 12:42:28 2026-01-23 14:58:09 machine generated