DEDE FADILLAH, - (2025) KLASIFIKASI KONDISI JANIN BERDASARKAN DATA KARDIOTOGRAM (KTG) MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DAN TEKNIK SMOTE. Bulletin of Computer Science Research, 5 (4). pp. 482-489. ISSN ISSN 2774-3659 (Media Online)

Preview	Text (JURNAL ARTIKEL) DEDE FADILLAH - Dede Fadillah.pdf - Published Version Download (2MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) PUBLIKASI BEBAS PUSTAKA - Dede Fadillah.pdf - Published Version Download (233kB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI DOSEN) Form Persetujuan Publikasi Dede Fadillah (1) - Dede Fadillah.pdf - Published Version Download (450kB) | Preview

Abstract

Abstrak-Kesehatan janin merupakan aspek penting dalam upaya menurunkan angka kematian bayi, di mana kardiotokogram (KTG) digunakan untuk memantau kondisi janin melalui rekaman denyut jantung dan kontraksi rahim. Namun, interpretasi data KTG secara manual masih menghadapi tantangan, terutama karena distribusi kelas yang tidak seimbang. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kondisi janin menggunakan algoritma K-Nearest Neighbors (K-NN) yang dikombinasikan dengan teknik Synthetic Minority Over-sampling Technique (SMOTE). Dataset yang digunakan berasal dari Kaggle, terdiri atas 2.126 data pemeriksaan KTG dengan tiga kelas: Normal, Suspect, dan Pathological. Data diolah melalui tahapan Knowledge Discovery in Databases (KDD) yang mencakup seleksi data, pembersihan data, normalisasi, pembagian data, penyeimbangan dengan SMOTE, dan klasifikasi menggunakan K-NN. Model diuji pada empat rasio pembagian data latih dan uji (70:30, 80:20, 85:15, dan 90:10) menggunakan metrik akurasi dan F1-score macro. Hasil menunjukkan bahwa rasio 85:15 menghasilkan akurasi tertinggi sebesar 89,7%, sedangkan rasio 90:10 menghasilkan F1-score macro tertinggi sebesar 0,83. Temuan ini menunjukkan bahwa rasio 85:15 memberikan keseimbangan optimal antara kemampuan pembelajaran dan evaluasi model, sementara F1-score tertinggi pada rasio 90:10 mencerminkan sensitivitas model yang lebih tinggi terhadap kelas minoritas. Kombinasi K-NN dan SMOTE terbukti efektif dalam mengatasi ketidakseimbangan data mendukung kestabilan model dalam proses klasifikasi kondisi janin secara keseluruhan.

Actions (login required)

View Item