Analisis Algoritma Klasifikasi Untuk Mengidentifikasi Potensi Risiko Kesehatan Ibu Hamil
I will put the dimension here
Abstract
The health of pregnant women has an important aspect in efforts to achieve the birth of a healthy baby. So early detection of the health of pregnant women has important. In this study the author identified potential maternal health risks for pregnant women by classifying them used machine learning which aims to analyze maternal health datasets with several algorithms including Random Forest, Extra Trees, Extreme Gradient Boosting, Decision Tree, and Light Gradient Boosting Machine. From several classification results carried out analysis and evaluation shown that the Random Forest classification algorithm provided optimal performance with an accuracy of 82,15%. These findings confirmed that the model created could identify complex patterns and relationships between features relevant to the classification of potential health risks for pregnant women at high, medium and low levels. These results have important implications in maternal care, because they cann help doctors and medical personnel make more appropriate and effective decisions in dealing with maternal health risks and provide insight into pregnant women from an early age regarding their health conditions.
Downloads
References
T. R. P. Lestari, “Achievement of Mother and Baby Health Status As One of the Successes of Mother and Child Health Programs,” Kajian, vol. 25, no. 1, pp. 75–89, 2020.
P. Carr, “Add to my library Features :,” Implement. Cult. Chang., vol. 2003, no. 0404, p. 114, 2006.
Oon Wira Yuda, Darmawan Tuti, Lim Sheih Yee, and Susanti, “Penerapan Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random Forest,” SATIN - Sains dan Teknol. Inf., vol. 8, no. 2, pp. 122–131, 2022.
S. R. Chowdhury, S. Mishra, A. O. Miranda, and P. K. Mallick, “Energy Consumption Prediction Using Light Gradient Boosting Machine Model,” Lect. Notes Electr. Eng., vol. 690, pp. 413–422, 2021.
L. Ni et al., “Streamflow forecasting using extreme gradient boosting model coupled with Gaussian mixture model,” J. Hydrol., vol. 586, no. March, p. 124901, 2020.
M. Ahmed, M. A. Kashem, M. Rahman, and S. Khatun, “Review and Analysis of Risk Factor of Maternal Health in Remote Area Using the Internet of Things (IoT),” Lect. Notes Electr. Eng., vol. 632, pp. 357–365, 2020.
N. Dehingia et al., “Unintended pregnancy and maternal health complications: Cross-sectional analysis of data from rural Uttar Pradesh, India,” BMC Pregnancy Childbirth, vol. 20, no. 1, pp. 1–11, 2020.
M. Ahmed and M. A. Kashem, “2022 4th International Conference on Sustainable Technologies for Industry 4.0, STI 2022,” 2022 4th Int. Conf. Sustain. Technol. Ind. 4.0, STI 2022, vol. 0, pp. 19–20, 2022.
A. Pinandito, S. A. Wicaksono, and S. H. Wijoyo, “Implementasi Machine Learning dalam Deteksi Risiko Tinggi Diabetes Melitus pada Kehamilan,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 4, pp. 739–746, 2023.
C. Oganis, S. Musdalifah, and D. Lusiyanti, “Klasifikasi Status Gizi Ibu Hamil Untuk Mengidentifikasi Bayi Berat Lahir Rendah (Bblr) Menggunakan Metode Support Vector Machine (Svm) (Studi Kasus Di Puskesmas Labuan),” J. Ilm. Mat. Dan Terap., vol. 14, no. 2, pp. 144–151, 2017.
J. Khatib Sulaiman, M. Dzakwan Ar Rosyid, and I. Artikel Abstrak, “Klasifikasi Tingkat Risiko Kesehatan Ibu Hamil Menggunakan Algoritma Support Vectore Machine Universitas AMIKOM Yogyakarta,” Indones. J. Comput. Sci. Attrib., vol. 12, no. 5, pp. 2023–2798, 2023.
R. A. F. W. A. H. W. K. Rahman, “Analisis Perbandingan Algoritma Machine Learning untuk Klasifikasi Tingkat Risiko Ibu Hamil,” Student Res. J., vol. 1, no. 6, pp. 246–261, 2023.
O. Sagi and L. Rokach, “Approximating XGBoost with an interpretable decision tree,” Inf. Sci. (Ny)., vol. 572, pp. 522–542, 2021.
T Rahman, "Perbandingan Produkt. Kerja Karyawan Sebelum Dan Seteleah Pelatih. Pada PT Kuwera Jaya Makassar", pp. 12–26, 2018.
I. Budi and R. R. Suryono, “Application of named entity recognition method for Indonesian datasets: a review,” Bull. Electr. Eng. Informatics, vol. 12, no. 2, pp. 969–978, 2023.
F. T. Admojo and S. R. Jabir, “Analisis performa metode Naïve Bayesh Classifier pada Electronic Nose dalam identifikasi formalin pada tahu,” Indones. J. Data Sci., vol. 4, no. 1, pp. 1–16, 2023.
E. Eka Citra, D. Hatta Fudholi, and C. Kusuma Dewa, “Implementasi Arsitektur EfficientNetV2 Untuk Klasifikasi Gambar Makanan Tradisional Indonesia,” J. Media Inform. Budidarma, vol. 7, no. 2, pp. 766–777, 2023.
I. Carolina and T. Haryanto, “JITE ( Journal of Informatics and Telecommunication Engineering ) Modeling Of Hyperparameter Tuned RNN-LSTM and Deep Learning,” vol. 7, no. January, pp. 502–513, 2024.
S. S. Gavankar and S. D. Sawarkar, “Eager decision tree,” 2017 2nd Int. Conf. Converg. Technol. I2CT 2017, vol. 2017-Janua, pp. 837–840, 2017.
S. M. Ahmed et al., “Derivation and external validation of clinical prediction rules identifying children at risk of linear growth faltering,” Elife, vol. 12, pp. 1–18, 2023.
Z. Arif Ali, Z. H. Abduljabbar, H. A. Tahir, A. Bibo Sallow, and S. M. Almufti, “eXtreme Gradient Boosting Algorithm with Machine Learning: a Review,” Acad. J. Nawroz Univ., vol. 12, no. 2, pp. 320–334, 2023.
B. Charbuty and A. Abdulazeez, “Classification Based on Decision Tree Algorithm for Machine Learning,” J. Appl. Sci. Technol. Trends, vol. 2, no. 01, pp. 20–28, 2021.
E. Pekel, “Estimation of soil moisture using decision tree regression,” Theor. Appl. Climatol., vol. 139, no. 3–4, pp. 1111–1119, 2020.
S. Islam and S. H. Amin, “Prediction of probable backorder scenarios in the supply chain using Distributed Random Forest and Gradient Boosting Machine learning techniques,” J. Big Data, vol. 7, no. 1, 2020.
A. N. Safira, B. Warsito, and A. Rusgiyono, “Analisis Support Vector Regression (Svr) Dengan Algoritma Grid Search Time Series Cross Validation Untuk Prediksi Jumlah Kasus Terkonfirmasi Covid-19 Di Indonesia,” J. Gaussian, vol. 11, no. 4, pp. 512–521, 2023.
K. K. Metode, D., & Neighbors, “Jurnal Indonesia : Manajemen Informatika dan Komunikasi Aspect-Based Sentiment Analysis Terhadap Ulasan Aplikasi Flip Menggunakan Pembobotan Term Frequency-Inverse Document Frequency ( TF-IDF ) Abstrak Jurnal Indonesia : Manajemen Informatika dan Komunika,” J. Indones. Manaj. Inform. dan Komun., vol. 4, no. 3, pp. 1858–1873, 2023.
Copyright (c) 2024 Jajang Jaya Purnama, Nina Kurnia Hikmawati, Sri Rahayu
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Pernyataan Hak Cipta dan Lisensi
Dengan mengirimkan manuskrip ke Journal of Applied Computer Science and Technology (JACOST), penulis setuju dengan kebijakan ini. Tidak diperlukan persetujuan dokumen khusus.
- Hak cipta pada setiap artikel adalah milik penulis.
- Penulis mempertahankan semua hak mereka atas karya yang diterbitkan, tak terbatas pada hak-hak yang diatur dalam laman ini.
- Penulis mengakui bahwa Journal of Applied Computer Science and Technology (JACOST) sebagai yang pertama kali mempublikasikan dengan lisensi Creative Commons Atribusi 4.0 Internasional (CC BY-SA).
- Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada Journal of Applied Computer Science and Technology (JACOST);
- Penulis menjamin bahwa artikel asli, ditulis oleh penulis yang disebutkan, belum pernah dipublikasikan sebelumnya, tidak mengandung pernyataan yang melanggar hukum, tidak melanggar hak orang lain, tunduk pada hak cipta yang secara eksklusif dipegang oleh penulis.
- Jika artikel dipersiapkan bersama oleh lebih dari satu penulis, setiap penulis yang mengirimkan naskah menjamin bahwa dia telah diberi wewenang oleh semua penulis bersama untuk menyetujui hak cipta dan pemberitahuan lisensi (perjanjian) atas nama mereka, dan setuju untuk memberi tahu rekan penulis persyaratan kebijakan ini. Journal of Applied Computer Science and Technology (JACOST) tidak akan dimintai pertanggungjawaban atas apa pun yang mungkin timbul karena perselisihan internal penulis.
Lisensi :
Journal of Applied Computer Science and Technology (JACOST) diterbitkan berdasarkan ketentuan Lisensi Creative Commons Atribusi 4.0 Internasional (CC BY-SA). Lisensi ini mengizinkan setiap orang untuk :.
- Berbagi — menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun;
- Adaptasi — menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun.
Lisensi :
-
Atribusi — Anda harus mencantumkan nama yang sesuai, mencantumkan tautan terhadap lisensi, dan menyatakan bahwa telah ada perubahan yang dilakukan. Anda dapat melakukan hal ini dengan cara yang sesuai, namun tidak mengisyaratkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
-
BerbagiSerupa — Apabila Anda menggubah, mengubah, atau membuat turunan dari materi ini, Anda harus menyebarluaskan kontribusi Anda di bawah lisensi yang sama dengan materi asli.
