Implementasi random forest dengan seleksi fitur algoritma genetika untuk klasifikasi risiko kesehatan maternal

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Sari, Rosa Alviani Margareta (2026) Implementasi random forest dengan seleksi fitur algoritma genetika untuk klasifikasi risiko kesehatan maternal. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Rosa Alviani Margareta Sari_09010222014 ok.pdf Download (1MB)
	Text Rosa Alviani Margareta Sari_09010222014 full.pdf Restricted to Repository staff only until 5 January 2029. Download (3MB)

Abstract

Kesehatan maternal merupakan hal krusial untuk mencegah tingginya angka kematian ibu selama kehamilan, persalinan, dan pascamelahirkan. Deteksi dini risiko kehamilan penting untuk mendeteksi komplikasi yang mungkin dialami oleh ibu hamil, seperti preeklampsia, anemia, pendarahan, atau kelahiran prematur. Kompleksitas faktor-faktor risiko tersebut menuntut adanya metode klasifikasi yang unggul dan mampu menangani data dengan banyak variabel. Penelitian ini
bertujuan untuk membandingkan kinerja model Random Forest dengan seleksi fitur Algoritma Genetika dan tanpa seleksi fitur dalam klasifikasi risiko kesehatan maternal. Data yang digunakan dalam penelitian ini adalah data rekam medis pemeriksaan ibu hamil yang terdiri dari 16 variabel prediktor dan 1 variabel respon. Mengingat jumlah fitur yang digunakan relatif banyak, Algoritma Genetika digunakan untuk memilih fitur-fitur yang paling relevan. Model dievaluasi dengan melihat nilai akurasi, sensitivitas, dan spesifisitas. Hasil penelitian menunjukkan bahwa penerapan seleksi fitur Algoritma Genetika mampu menurunkan jumlah fitur dari 16 variabel menjadi 10 variabel terpilih. Model
Random Forest tanpa seleksi fitur menghasilkan akurasi sebesar 97.30%, sensitivitas sebesar 97.45%, dan spesifisitas sebesar 96.99%. Sementara itu, model Random Forest dengan seleksi fitur Algoritma Genetika menunjukkan peningkatan kinerja dengan akurasi sebesar 98.40%, sensitivitas sebesar 98.65%, dan spesifisitas sebesar 97.89%. Dengan demikian, dapat disimpulkan bahwa kombinasi Algoritma Genetika sebagai seleksi fitur terbukti mampu meningkatkan performa model Random Forest dalam klasifikasi risiko kesehatan maternal.