Nurfahmi, Fatwa Azhar (2021) IMPLEMENTASI PEMBELAJARAN MESIN UNTUK KLASIFIKASI DATA KESEHATAN JANIN KARDIOTOKOGRAFI. Diploma thesis, Universitas YARSI.

Preview	Text 1. HALAMAN JUDUL.pdf Download (17kB) | Preview
Preview	Text 4. HALAMAN PENGESAHAN.pdf Download (292kB) | Preview
Preview	Text 3. HALAMAN PERNYATAAN ORISNALITAS.pdf Download (187kB) | Preview
Preview	Text 2. ABSTRAK.pdf Download (11kB) | Preview
Preview	Text 8. DAFTAR ISI.pdf Download (82kB) | Preview
Preview	Text 9. BAB I.pdf Download (282kB) | Preview
Preview	Text 15. DAFTAR PUSTAKA.pdf Download (180kB) | Preview
	Text 10. BAB II.pdf Restricted to Registered users only Download (206kB)
	Text 11. BAB III.pdf Restricted to Registered users only Download (322kB)
	Text 12. BAB IV.pdf Restricted to Registered users only Download (308kB)
	Text 13. BAB V.pdf Restricted to Registered users only Download (178kB)
	Text 14. BAB VI.pdf Restricted to Registered users only Download (114kB)
	Text 16. LAMPIRAN.pdf Restricted to Registered users only Download (21kB)

Abstract

Jumlah kematian yang berkaitan dengan kehamilan dan persalinan sebesar 295.000 pada tahun 2017. Sebagian besar kasus kematian ini (94%) karena keterbatasan sumber daya medis dan minimnya pemantauan kesehatan Janin. Hal ini dapat dicegah jika adanya tindakan lebih awal. Cardiotocograms(CTGs) adalah pilihan yang sederhana dan terjangkau untuk memantau kesehatan janin. Informasi kesehatan janin memungkinkan dokter kandungan mengambil tindakan untuk mencegah kematian anak dan ibu. Pada penelitian skripsi ini, penulis mengembangkan metode machine learning (pembelajaran mesin) untuk melakukan prediksi diagnosa kesehatan janin berdasarkan data kardiotokografi. penulis menggunakan data rekam medis kardiotokografi dari sumber dataset publik kaggle pasien dengan tiga kategori kelas kesehatan janin, yaitu normal, suspect dan patologi. Tantangan utama dari penelitian ini adalah bagaimana cara mengatasi ketidakseimbangan data (imbalanced) pada kelas kesehatan janin. Penulis mengimplementasikan Smote untuk menyeimbangkan data. Hasil eksperimen menunjukkan bahwa metode yang penulis kembangkan meningkatkan presisi dari prediksi kesehatan janin untuk semua algoritma yang digunakan berikut hasil dari presisi yang penulis lakukan. Random forest memiliki hasil precision sebelum menggunakan Smote 85.86% dan hasil sesudah menggunakan Smote 89.45%. Pada algoritma Decision tree memiliki hasil precision sebelum menggunakan Smote 83.68% dan hasil sesudah menggunakan Smote 87.55%. hasil dari presisi ini menjadi lebih akurat untuk memprediksi data kesehatan janin.

Actions (login required)

View Item