PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK PREDIKSI TINGKAT RISIKO IBU HAMIL
Article Sidebar
Read Counter : 36
Download : 32
Main Article Content
Abstract
Risiko yang dialami pada ibu hamil merupakan hal yang harus diperhatikan serius karena risiko tersebut dapat mempengaruhi kesehatan pada ibu dan janin bahkan dapat menyebabkan kematian. Oleh karena itu dilakukan perbandingan hasil evaluasi klasifikasi tingkat risiko pada ibu hamil dengan menggunakan algoritma XGB, SVM, DT dan menggunakan teknik resampling data RUS, ROS dan SMOTE untuk menentukan model dan teknik resampling yang baik. Hasil evaluasi rata - rata dari ketika sebelum dan sesudah menggunakan teknik resampling bahwa model XGB memiliki hasil accuracy 0.827, sedangkan pada model DT memiliki hasil accuracy 0.767, kemudian model SVM memiliki hasil accuracy 0.722. Sehingga dari perbandingan hasil evaluasi dapat disimpulkan bahwa model XGB memberikan hasil yang lebih baik dari model DT dan SVM. Sedangkan pada implementasi teknik resampling data ROS dan SMOTE memberikan hasil evaluasi yang baik untuk metode XGB kemudian SMOTE memberikan hasil yang baik untuk DT namun semua teknik resampling tidak memberikan hasil yang baik untuk model SVM.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] Ghimire N and Pandey N, “Knowledge and Practice of Mothers Regarding the Prevention of Anemia,” J. Chitwan Med. Coll., vol. 3, no. 5, pp. 14–17, 2013.
[2] W. Gezimu, F. Bekele, and G. Habte, “Pregnant mothers’ knowledge, attitude, practice and its predictors towards nutrition in public hospitals of Southern Ethiopia: A multicenter cross-sectional study,” SAGE Open Med., vol. 10, 2022, doi: 10.1177/20503121221085843.
[3] R. D. Wulandari and A. D. Laksono, “Determinants of knowledge of pregnancy danger signs in Indonesia,” PLoS One, vol. 15, no. 5, pp. 1–11, 2020, doi: 10.1371/journal.pone.0232550.
[4] L. Darwati, V. Fatmawati, and I. Susila, “Pemberdayaan Deteksi Dini Risiko Tinggi pada Ibu Hamil di Desa Doyomulyo Kec. Kembangbahu Lamongan,” J. Community Engagem. Heal., vol. 5, no. 2, pp. 186–190, 2022, doi: 10.30994/jceh.v5i2.410.
[5] F. Alahmari, “A Comparison of Resampling Techniques for Medical Data Using Machine Learning,” J. Inf. Knowl. Manag., vol. 19, no. 1, pp. 1–13, 2020, doi: 10.1142/S021964922040016X.
[6] G. Gumelar, Q. Ain, R. Marsuciati, S. Agustanti Bambang, A. Sunyoto, and M. Syukri Mustafa, “Kombinasi Algoritma Sampling dengan Algoritma Klasifikasi untuk Meningkatkan Performa Klasifikasi Dataset Imbalance,” SISFOTEK Sist. Inf. dan Teknol., pp. 250–255, 2021.
[7] M. S. Kraiem, F. Sánchez-Hernández, and M. N. Moreno-García, “Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties. An approach based on association models,” Appl. Sci., vol. 11, no. 18, 2021, doi: 10.3390/app11188546.
[8] L. K. Xin and N. binti A. Rashid, “Prediction of depression among women using random oversampling and random forest,” 2021 Int. Conf. Women Data Sci. Taif Univ. WiDSTaif 2021, 2021, doi: 10.1109/WIDSTAIF52235.2021.9430215.
[9] X. Zheng, S. Hasegawa, W. Gu, and K. Ota, “Addressing Class Imbalances in Video Time-Series Data for Estimation of Learner Engagement: ‘Over Sampling with Skipped Moving Average,’” Educ. Sci., vol. 14, no. 6, 2024, doi: 10.3390/educsci14060556.
[10] R. Ridwan, E. H. Hermaliani, and M. Ernawati, “Penerapan: Penerapan Metode SMOTE Untuk Mengatasi Imbalanced Data Pada Klasifikasi Ujaran Kebencian,” Comput. Sci., vol. 4, no. 1, pp. 80–88, 2024, [Online]. Available: https://jurnal.bsi.ac.id/index.php/co-science/article/view/2990
[11] R. Ubaidillah, M. Muliadi, D. T. Nugrahadi, M. R. Faisal, and R. Herteno, “Implementasi XGBoost Pada Keseimbangan Liver Patient Dataset dengan SMOTE dan Hyperparameter Tuning Bayesian Search,” J. Media Inform. Budidarma, vol. 6, no. 3, p. 1723, 2022, doi: 10.30865/mib.v6i3.4146.
[12] M. A. Khadija and N. A. Setiawan, “Detecting Liver Disease Diagnosis by Combining SMOTE, Information Gain Attribute Evaluation and Ranker,” ITSMART J. Teknol. dan Inf., vol. 9, no. 1, pp. 13–17, 2020.
[13] W. Apriliah, I. Kurniawan, M. Baydhowi, and T. Haryati, “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” Sistemasi, vol. 10, no. 1, p. 163, 2021, doi: 10.32520/stmsi.v10i1.1129.
[14] T. R. Mahesh, V. Vinoth Kumar, V. Muthukumaran, H. K. Shashikala, B. Swapna, and S. Guluwadi, “Performance Analysis of XGBoost Ensemble Methods for Survivability with the Classification of Breast Cancer,” J. Sensors, vol. 2022, 2022, doi: 10.1155/2022/4649510.
[15] S. Li and X. Zhang, “Research on orthopedic auxiliary classification and prediction model based on XGBoost algorithm,” Neural Comput. Appl., vol. 32, no. 7, pp. 1971–1979, 2020, doi: 10.1007/s00521-019-04378-4.
[16] P. Liu, B. Fu, S. X. Yang, L. Deng, X. Zhong, and H. Zheng, “Optimizing Survival Analysis of XGBoost for Ties to Predict Disease Progression of Breast Cancer,” IEEE Trans. Biomed. Eng., vol. 68, no. 1, pp. 148–160, 2021, doi: 10.1109/TBME.2020.2993278.
[17] P. Fremmuzar and A. Baita, “Uji Kernel SVM dalam Analisis Sentimen Terhadap Layanan Telkomsel di Media Sosial Twitter,” Komputika J. Sist. Komput., vol. 12, no. 2, pp. 57–66, 2023, doi: 10.34010/komputika.v12i2.9460.
[18] K. Karthick, S. K. Aruna, R. Samikannu, R. Kuppusamy, Y. Teekaraman, and A. R. Thelkar, “Implementation of a Heart Disease Risk Prediction Model Using Machine Learning,” Comput. Math. Methods Med., vol. 2022, 2022, doi: 10.1155/2022/6517716.
[19] N. Nurahman and S.- Aminah, “Klasifikasi Penerima Bantuan Sosial Di Desa Batuah Menggunakan Metode Algoritma C4.5,” J. Tek. Inf. dan Komput., vol. 5, no. 2, p. 271, 2022, doi: 10.37600/tekinkom.v5i2.516.
[20] T. A. Q. Putri, A. Triayudi, and R. T. Aldisa, “Implementasi Algoritma Decision Tree dan Naïve Bayes Untuk Klasifikasi Sentimen Terhadap Kepuasan Pelanggan Starbucks,” J. Inf. Syst. Res., vol. 4, no. 2, pp. 641–649, 2023, doi: 10.47065/josh.v4i2.2949.