Perbandingan Algoritma Machine Learning untuk Klasifikasi Denyut Jantung Janin

Irzan Fajari Nurahmadan, Ardiyan Agusta, Pradista Aprilia Winarno, Buyung Habi Sazali, Yum Thurfah Afifa Rosaliah, Nurul Chamidah, S.Kom., M.Kom.

Abstract


Gawat janin mengacu pada tanda-tanda sebelum persalinan yang menunjukkan bahwa janin dalam kondisi gawat atau normal karena berbagai faktor. Ini biasanya terjadi ketika janin belum menerima cukup oksigen. Pada penelitian ini nilai denyut jantung janin dan kontraksi uterine digunakan untuk memprediksi apakah janin dalam kondisi gawat atau normal. Hal ini dapat dilakukan menggunakan berbagai macam teknik supervised learning dalam pembelajaran mesin yang dapat digunakan untuk memprediksi kesehatan bayi baru lahir, terutama untuk kasus kritis yang dapat membantu dokter kandungan memperoleh informasi terperinci selama kehamilan. Dataset di dapatkan dari UCI Machine Learning Repository menggunakan teknik preprocessing MinMax-Scaler untuk menyesuaikan rentang data, pembagian data menggunakan Hold out estimation, serta pemodelan menggunakan algortitma Logistic Regression, Decision Tree, MLPClassifier, SVM, Random Forest, Naive Bayes dan KKN. Setiap model algoritma menggunakan teknik yang sama guna mencari model yang paling baik. Pemodelan yang paling baik dihasilkan oleh algoritma Random Forest yang menghasilkan akurasi sebesar 94,5%.


Keywords


Fetal Heart Rate; CTG

References


Abhay Rastogi, Naman Dixit, Nikhil Gupta, & Gaurav Sahu. (2020). Fetal Heart Rate Classification using Random Forest Classifier. Dept. of Computer Science, BK Birla Institute of Engineering & Technology, Pilani, 30, 7927–7932.

Dua, D., & Graff, C. (2019). UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. In CA: University of California, School of Information and Computer Science. http://archive.ics.uci.edu/ml

Kaitlin, K., Smith, T., & Sadler, B. (2018). Random Forest vs Logistic Regression: Binary Classification for Heterogeneous Datasets. Data Science Review, 1(3).

Nurajijah, N., & Riana, D. (2019). Algoritma Naïve Bayes, Decision Tree, dan SVM untuk Klasifikasi Persetujuan Pembiayaan Nasabah Koperasi Syariah. Jurnal Teknologi Dan Sistem Komputer, 7(2), 77–82. https://doi.org/10.14710/jtsiskom.7.2.2019.77-82

Pedregosa FABIANPEDREGOSA, F., Michel, V., Grisel OLIVIERGRISEL, O., Blondel, M., Prettenhofer, P., Weiss, R., Vanderplas, J., Cournapeau, D., Pedregosa, F., Varoquaux, G., Gramfort, A., Thirion, B., Grisel, O., Dubourg, V., Passos, A., Brucher, M., Perrot andÉdouardand, M., Duchesnay, A., & Duchesnay EDOUARDDUCHESNAY, Fré. (2011). Scikit-learn: Machine Learning in Python Gaël Varoquaux Bertrand Thirion Vincent Dubourg Alexandre Passos PEDREGOSA, VAROQUAUX, GRAMFORT ET AL. Matthieu Perrot. In Journal of Machine Learning Research (Vol. 12).

Powers, D. M. W., & Ailab. (n.d.). EVALUATION: FROM PRECISION, RECALL AND F-MEASURE TO ROC, INFORMEDNESS, MARKEDNESS & CORRELATION.

Ramchoun, H., Amine, M., Idrissi, J., Ghanou, Y., & Ettaouil, M. (2016). Multilayer Perceptron: Architecture Optimization and Training. International Journal of Interactive Multimedia and Artificial Intelligence, 4(1), 26. https://doi.org/10.9781/ijimai.2016.415

Vural, M. S., & Gök, M. (2017). Criminal prediction using Naive Bayes theory. Neural Computing and Applications, 28(9), 2581–2592. https://doi.org/10.1007/s00521-016-2205-z

Xing, W., & Bei, Y. (2020). Medical Health Big Data Classification Based on KNN Classification Algorithm. IEEE Access, 8. https://doi.org/10.1109/ACCESS.2019.2955754

Zhang, Y., & Zhao, Z. (2018). Fetal state assessment based on cardiotocography parameters using PCA and AdaBoost. Proceedings - 2017 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics, CISP-BMEI 2017, 2018-January. https://doi.org/10.1109/CISP-BMEI.2017.8302314


Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.