KALTSUM, Salsabila Qonita (2026) Klasifikasi Status Pasien Tuberkulosis dengan Gradient Boosting dan Eksplorasinya menggunakan SHAP dan LIME. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (165kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (180kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (136kB)
	Text 5. KATA PENGANTAR.pdf Download (229kB)
	Text 6. ABSTRAK.pdf Download (227kB)
	Text 7. ABSTRACT.pdf Download (228kB)
	Text 8. DAFTAR ISI.pdf Download (247kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (271kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (241kB)

Abstract

Tuberkulosis (TBC) merupakan salah satu penyakit infeksi paru yang dapat menyerang semua kelompok usia, mulai dari anak-anak hingga lanjut usia, dan prevalensinya masih tinggi di Indonesia. Penyakit ini disebabkan oleh Mycobacterium tuberculosis dan ditandai dengan gejala khas seperti batuk
berdahak berkepanjangan lebih dari dua minggu, kadang disertai darah, penurunan berat badan, hilang nafsu makan, serta sesak napas. Penelitian ini bertujuan membangun dan mengevaluasi model klasifikasi TBC menggunakan algoritma
Gradient Boosting berbasis data klinis pasien di Puskesmas Gayamsari. Data yang digunakan terdiri dari 255 observasi pasien dengan dua kelas klasifikasi, yaitu TBC Positif dan TBC Negatif. Faktor-faktor yang digunakan dalam proses klasifikasi
meliputi jenis kelamin, umur, demam, penurunan berat badan, hilang nafsu makan, sesak napas, sakit dada, kondisi lemas, lama batuk, dan jenis batuk. Dataset dibagi menjadi data latih dan data uji dengan rasio 80:20. Proses pemodelan mencakup
optimasi hyperparameter menggunakan Grid Search dan Optimization Using Treestructured Parzen Estimator (OPTUNA). Evaluasi model dilakukan menggunakan confusion matrix dan ROC-AUC. Algoritma Gradient Boosting dipilih karena kemampuannya dalam menangani hubungan nonlinier antar variabel pada data klinis. Interpretasi model dilakukan menggunakan metode SHapley Additive exPlanations (SHAP) untuk mengidentifikasi kontribusi global variabel dan Local
Interpretable Model-Agnostic Explanations (LIME) untuk penjelasan lokal pada satu observasi pasien. Hasil penelitian menunjukkan bahwa model Gradient Boosting menghasilkan F1-score awal sebesar 96%, kemudian setelah dilakukan
optimasi hyperparameter menggunakan Grid Search dan OPTUNA, nilai F1-score menjadi 95% pada kedua metode dikarenakan parameter awal model baseline telah memberikan kinerja yang optimal. Analisis SHAP menunjukkan bahwa variabel lama batuk, umur, hilang nafsu makan, dan penurunan berat badan merupakan faktor yang memberikan kontribusi terbesar dalam proses klasifikasi TBC. Temuan ini menunjukkan bahwa penggunaan algoritma Gradient Boosting yang dikombinasikan dengan metode interpretabilitas SHAP dan LIME mampu menghasilkan model klasifikasi yang akurat dan mudah dipahami, sehingga berpotensi mendukung pengambilan keputusan klinis dalam proses diagnosis TBC.
Kata Kunci: Tuberkolosis, Gradient Boosting, Hyperparameter Optimization, SHAP, LIME, Klasifikasi Klinis

Actions (login required)

View Item