Perbandingan Algoritma Klasifikasi dalam Implementasi Hasil Klustering Algoritma K-Means untuk Menentukan Level Risiko Kehamilan

Pratama Wongso, Bernard (2023) Perbandingan Algoritma Klasifikasi dalam Implementasi Hasil Klustering Algoritma K-Means untuk Menentukan Level Risiko Kehamilan. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (921kB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (304kB) | Preview
Preview	PDF BAB_I.pdf Download (279kB) | Preview
Preview	PDF BAB_II.pdf Download (362kB) | Preview
Preview	PDF BAB_III.pdf Download (307kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
Preview	PDF BAB_V.pdf Download (258kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (505kB)

Abstract

Kehamilan mempunyai risiko yang dapat menyebabkan komplikasi. Komplikasi tersebut bisa berdampak pada kesehatan ibu dan bayi untuk jangka waktu ke depan. Karena itu, penting untuk menyadari risiko kehamilan sedini mungkin agar dapat segera teratasi. Di sisi lain, beberapa penelitian terkait machine learning telah berkembang, salah satunya melakukan klasifikasi hasil klustering, dan terbukti bisa meningkatkan akurasi hasil prediksi algoritma klasifikasi. Machine learning juga telah digunakan pada penelitian terdahulu untuk mengetahui risiko kehamilan, tapi baru digunakan algoritma klasifikasi saja. Karena itu, penelitian ini bertujuan untuk memprediksi level risiko kehamilan dengan menggunakan teknik klustering (K-Means) sebagai inisiasi sebelum digunakan algoritma klasifikasi (Naive Bayes, SVM, KNN) yang diharapkan dapat menaikkan akurasi model. Dalam penelitian ini akan dilakukan perbandingan antara beberapa algoritma klasifikasi yaitu SVM, Naïve Bayes, dan KNN dengan penerapan algoritma K-Means sebelum melakukan klasifikasi. Data kehamilan dari UCI Machine Learning Repository diproses, dengan metode pra-pemrosesan seperti eliminasi nilai kosong. Model klustering K-means dan klasifikasi (SVM, Naive Bayes, KNN) digunakan setelah membagi data menjadi set latihan dan pengujian. Metrik evaluasi termasuk akurasi, presisi, recall, dan F1-score membantu validasi sistem, yang berfungsi meningkatkan presisi penentuan level risiko kehamilan oleh dokter. Penelitian ini menghasilkan model prediksi risiko kehamilan menggunakan SVM, Naive Bayes, dan KNN, serta pendekatan klustering K-Means. Model KNN dengan K-Means menunjukkan performa terbaik dengan akurasi 79.53% dan F1-score rata-rata 0.8. Model KNN, SVM, dan Naive Bayes memperoleh peningkatan akurasi sebesar 0,4%, 1,57%, dan 2,76% dengan implementasi K-Means. Peningkatan akurasi menunjukkan efektivitas klustering dalam memperbaiki performa klasifikasi. Model ini dapat diterapkan secara real- time melalui Flask API, mendukung praktisi kesehatan dalam merencanakan perawatan dan meminimalkan risiko kehamilan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Klasifikasi, Klustering, Prototipe, Risiko Kehamilan
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	10 Jul 2023 09:52
Last Modified:	03 Aug 2023 01:51
URI:	https://kc.umn.ac.id/id/eprint/25972

Actions (login required)

View Item