ARYASA, Jiyestha Aji Dharma and Widodo, Aris Puji and Widodo, Catur Edi (2024) MACHINE LEARNING NEURAL NETWORK UNTUK PREDIKSI PERUBAHAN HEMODINAMIK SETELAH PEMBERIAN PREMEDIKASI. Masters thesis, UNIVERSITAS DIPONEGORO.

Full text not available from this repository.

Abstract

Penelitian ini bertujuan untuk menggunakan machine learning neural network feedforward untuk memprediksi perubahan hemodinamik pada pasien setelah pemberian premedikasi. Hal ini dilakukan dengan tujuan untuk mengetahui hasil prediksi dari data pasien dengan kriteria tertentu dan jenis premedikasi tertentu akan menunjukkan hasil normal, hipotensi, atau hipertensi, sehingga tipe premedikasi yang diberikan kepada pasien, dapat dipertimbangkan kembali jika hasilnya tidak sesuai yang diharapkan. Data yang dikumpulkan meliputi variabel seperti umur, jenis kelamin, berat badan, tinggi badan, tekanan darah, lima jenis premedikasi (propofol, etomidate, thiopental, fentanyl, midazolam), dan kondisi tekanan darah pasien setelah premedikasi. Model yang dihasilkan dari prediksi ini menunjukkan tingkat akurasi sebesar 97%, dengan kemampuan mengidentifikasi kelas normal, hipertensi, dan hipotensi dengan baik. Hasil prediksi model ini diharapkan dapat menjadi alat bantu pembelajaran khususnya dalam memahami penggunaan machine learning neural network feedforward untuk memprediksi hasil jenis premedikasi apa yang sesuai dengan data pasien. Sehingga dapat meminimalisir risiko ketidaksesuaian dalam pemilihan jenis premedikasi pasien, kemudian meningkatkan efektivitas dan pemahaman dalam penanganan medis khususnya tentang premedikasi.
Kata kunci: Machine Learning, Neural Network, Feedforward, Premedikasi

This research aims to use machine learning neural network feedforward to predict hemodynamic changes in patients after premedication. This is done to evaluate the result of the prediction from patient data with certain criteria and certain types of premedication will show normal results, hypotension, or hypertension, so that the type of premedication given to the patient can be reconsidered if the results are not as expected. The data collected includes variables such as age, gender, body weight, height, blood pressure, five types of premedication (propofol, etomidate, thiopental, fentanyl, midazolam), and the patient's blood pressure condition after premedication. The model resulting from this prediction shows an accuracy rate of 97%, with the ability to identify normal, hypertension and hypotension classes well. It is hoped that the prediction results of this model can be a learning tool, especially in understanding the use of feedforward neural network machine learning to predict the results of what type of premedication is appropriate to patient data. So that it can minimize the risk of discrepancies in selecting the type of patient premedication, then increase effectiveness and understanding in medical treatment, especially regarding premedication.
Keyword: Machine Learning, Neural Network, Feedforward, Premedication

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Machine Learning, Neural Network, Feedforward, Premedikasi
Subjects:	Sciences and Mathemathic
Divisions:	Postgraduate Program > Master Program in Information System
Depositing User:	Users 183 not found.
Date Deposited:	09 Sep 2024 05:04
Last Modified:	09 Sep 2024 05:04
URI:	https://eprints2.undip.ac.id/id/eprint/26421

Actions (login required)

View Item