Klasifikasi Hasil Cardiotocography (CTG) Ibu Hamil untuk Memprediksi Kesehatan Janin

Penulis

  • Aprindita Dwi Monica Universitas Stikubank Semarang
  • Sulastri Sulastri Universitas Stikubank Semarang

Kata Kunci:

Klasifikasi, Cardiotocography, Data Mining

Abstrak

Seorang calon ibu pasti menginginkan janin dalam kandungannya dalam kondisi sehat. Janin yang sehat adalah janin yang memiliki pertumbuhan yang optimal dan memiliki nutrisi yang cukup pada saat di dalam kandungan. Resiko keguguran dan kematian ibu dan janin dapat dikurangi dengan memantau kesehatan janin dan tetap waspada saat diperlukan. CTG dilakukan dalam kasus di mana ada risiko kehamilan dan kelahiran bayi yang cukup mengkhawatirkan. Akan lebih mudah untuk membuat keputusan lanjut untuk mengurangi risiko kesehatan pada saat melahirkan jika pemeriksaan CTG menunjukkan kondisi janin baik. Penelitian ini bertujuan untuk mempelajari perbandingan algoritma klasifikasi yang berbeda yang digunakan dalam menentukan nilai yang tepat dari dataset kesehatan janin yang digunakan melalui pendekatan Knowledge Discovery in Database (KDD).  Peneliti menggunakan kumpulan data 2126 data dari website Kaggle yang memiliki 22 variabel yang dibagi menjadi tiga kategori Normal, Suspect, dan Pathological. Prolonged decelerations, abnormal short term variability, dan percentage of time with abnormal long term variability adalah variabel yang paling signifikan. Hasil penelitian ini didapatkan dengan membagi dataset menjadi data pelatihan dan data uji coba, kemudian dibagi menjadi tiga kali uji coba. Hasil menunjukkan bahwa algoritma KNN memiliki nilai akurasi terbaik sebesar 91% pada uji coba kedua, Algoritma SVM memiliki nilai akurasi terbaik sebesar 87% pada uji coba pertama dan kedua, Algoritma Logistic Regression memiliki nilai akurasi terbaik sebesar 84% pada uji coba kedua, Algoritma Naive Bayes memiliki nilai akurasi terbaik sebesar 84% pada uji coba pertama, Algoritma Decision Tree memiliki nilai akurasi terbaik sebesar 89% pada uji coba pertama dan kedua.

Referensi

Amelia, U., Indra, J., & Masruriyah, A. F. N. (2022). Implementasi Algoritma Support Vector Machine ( SVM ) Untuk Prediksi Penyakit Stroke Dengan Atribut Berpengaruh. Scientific Student Journal for Information, Tecnology and Sciene, III(2), 254–259. http://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/447

Rahmi, Antoni, D., Syaputra, H., Fatoni & Kurniawan, T. B. (2023). Metode Klasifikasi Gejala Penyakit Coronavirus Disease 19 (COVID-19) Menggunakan Algoritma Neural Network. Sistem Informasi Dan Komputer), 12(1), 16–23. https://doi.org/10.32736/sisfokom.v12i1.1406

Argina, A. M. (2020). Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes. Indonesian Journal of Data and Science, 1(2), 29–33. https://doi.org/10.33096/ijodas.v1i2.11

Arif, M. Z., Ahmed, R., Sadia, U. H., Tultul, M. S. I., & Chakma, R. (2020). Decision Tree Method Using for Fetal State Classification from Cardiotography Data. Journal of Advanced Engineering and Computation, 4(1), 64-73. https://doi.org/10.25073/jaec.202041.273

Atthalla, I. N., Jovandy, A., & Habibie, H. (2018). Klasifikasi Penyakit Kanker Payudara Menggunakan Metode K Nearest Neighbor. Prosiding Annual Research Seminar, 4(1), 148-151.

Handayani, F., Sari Kusuma, K., Leoni Asbudi, H., Guines Purnasiwi, R., Kusuma, R., Sunyoto, A., & Mega Pradnya, W. (2021). JEPIN (Jurnal Edukasi dan Penelitian Informatika) Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network dalam Prediksi Penyakit Jantung. 7(3), 329–334.

Perdana, A., Hermawan, A., & Avianto, D. (2023). Analyze Important Features of PIMA Indian Database For Diabetes Prediction Using KNN. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 12(1), 70–75. https://doi.org/10.32736/sisfokom.v12i1.1598

Putra, P. D., & Rini, D. P. (2019). Prediksi Penyakit Jantung dengan Algoritma Klasifikasi. Prosiding Annual Research Seminar 2019, 5(1), 978–979.

Rahmayanti, N., Pradani, H., Pahlawan, M., & Vinarti, R. (2021). Comparison of machine learning algorithms to classify fetal health using cardiotocogram data. Procedia Computer Science, 197(2021), 162–171. https://doi.org/10.1016/j.procs.2021.12.130

Rian Santoso, M., & Musa, P. (2021). Rekomendasi Kesehatan Janin Dengan Penerapan Algoritma C5.0 Menggunakan Classifying Cardiotocography Dataset. 9(2), 65-76.

Safaat, M., Sahari, A., & Lusiyanti, D. (2020). Implementasi Metode K-Nearest Neighbor Untuk Mengklasifikasi Jenis Penyakit Katarak. Jurnal Ilmiah Matematika Dan Terapan, 17(1), 92–99. https://doi.org/10.22487/2540766x.2020.v17.i1.15184

Saputro, I. W., & Sari, B. W. (2020). Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa. Creative Information Technology Journal, 6(1), 1-11.https://doi.org/10.24076/citec.2019v6i1.178

Sulastri, S., Hadiono, K., & Anwar, M. T. (2020). Analisis Perbandingan Klasifikasi Prediksi Penyakit Hepatitis Dengan Menggunakan Algoritma K-Nearest Neighbor, Naïve Bayes Dan Neural Network. Dinamik, 24(2), 82–91. https://doi.org/10.35315/dinamik.v24i2.7867

Sulihati, I., Syukur, A., & Marjuni, A. (2022). Deteksi Kesehatan Janin Menggunakan Decision Tree dan Feature Forward Selection. Building of Informatics, Technology and Science (BITS), 4(3), 1658-1664. https://doi.org/10.47065/bits.v4i3.2672

Yuli Mardi. (2019). Data Mining : Klasifikasi Menggunakan Algoritma C4.5. Jurnal Edik Informatika. Jurnal Edik Informatika, 2(2), 213–219.

Jurnal Teknologi Sistem Informasi dan Aplikasi Vol. 6 No. 3 Juli 2023

Unduhan

Diterbitkan

2023-07-30

Cara Mengutip

Monica, A. D., & Sulastri, S. (2023). Klasifikasi Hasil Cardiotocography (CTG) Ibu Hamil untuk Memprediksi Kesehatan Janin. Jurnal Teknologi Sistem Informasi Dan Aplikasi, 6(3), 443–457. Diambil dari https://openjournal.unpam.ac.id/index.php/JTSI/article/view/31548

Terbitan

Vol 6 No 3 (2023): Jurnal Teknologi Sistem Informasi dan Aplikasi

Bagian

Article

Lisensi

Hak Cipta (c) 2023 Aprindita Dwi Monica, Sulastri

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.

Authors who publish with this journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Jurnal Teknologi Sistem Informasi dan Aplikasi have CC BY-NC or an equivalent license as the optimal license for the publication, distribution, use, and reuse of scholarly work.

In developing strategy and setting priorities, Jurnal Teknologi Sistem Informasi dan Aplikasi recognize that free access is better than priced access, libre access is better than free access, and libre under CC BY-NC or the equivalent is better than libre under more restrictive open licenses. We should achieve what we can when we can. We should not delay achieving free in order to achieve libre, and we should not stop with free when we can achieve libre.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) License

YOU ARE FREE TO:

  • Adapt - remix, transform, and build upon the material for any purpose, even commercially.
  • The licensor cannot revoke these freedoms as long as you follow the license terms