Sistem identifikasi status risiko kesehatan janin (fetal health) berdasarkan data cardiotocography menggunakan xgboost dengan isolation forest sebagai deteksi outlier

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Sari, Firda Yunita (2024) Sistem identifikasi status risiko kesehatan janin (fetal health) berdasarkan data cardiotocography menggunakan xgboost dengan isolation forest sebagai deteksi outlier. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Firda Yunita Sari_09040221052 OK.pdf Download (816kB)
	Text Firda Yunita Sari_09040221052 Full.pdf Restricted to Repository staff only until 8 January 2028. Download (3MB)

Abstract

Kehamilan merupakan masa dimana pertumbuhan dan perkembangan janin dimulai dan berlangsung di dalam rahim ibu. Pada masa tersebut, tubuh ibu mengalami banyak perubahan hormonal dan fisik yang dapat menyebabkan berbagai komplikasi kesehatan, baik bagi ibu maupun janin. Oleh karena itu, diperlukan adanya penanganan yang tepat oleh tenaga medis untuk mengidentifikasi risiko kesehatan janin. Identifikasi kesehatan janin dapat dilakukan menggunakan sistem klasifikasi dengan metode XGBoost. XGBoost menerapkan teknik ensemble yang mana model akan terus diperbarui untuk memperbaiki kesalahan pada model sebelumnya. Data pada penelitian ini memiliki variasi yang tinggi, sehingga diperlukan penanganan khusus untuk mendeteksi data outlier dengan menggunakan IForest untuk meningkatkan kinerja model XGBoost. Tujuan dari penelitian ini adalah mengetahui hasil deteksi data outlier menggunakan metode IForest dengan model optimal klasifikasi menggunakan XGBoost pada data status kesehatan janin. Uji coba dilakukan dengan memvariasikan contamination percentage (CP), learning rate (η), max depth, dan n estimator. Hasil uji coba terbaik adalah pada parameter CP= 8%, η= 0.01, max depth= 7, dan n estimator= 100 yang memperoleh rata-rata nilai akurasi 98.93%, sensitivitas 99.22%, dan spesifisitas 99.34% dengan waktu komputasi 0.38 s. IForest mampu mendeteksi data outlier dari 2126 data menjadi 1956 data dengan menghapus data outlier, hal ini menunjukkan bahwa IForest dapat meningkatkan akurasi sebesar 5.04% dengan efisiensi waktu komputasi 0.23 s.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Sari, Firda Yunita firdasari465@gmail.com 09040221052
Contributors:	Contribution Name Email NIDN Thesis advisor Novitasari, Dian Candra Rini diancrini@uinsa.ac.id 2024118502 Thesis advisor Hamid, Abdulloh doelhamid@uinsa.ac.id 2028088501
Subjects:	Matematika
Keywords:	Deteksi Outlier; Extreme Gradient Boosting (XGBoost); Isolation Forest (IForest); Kesehatan Janin; Klasifikasi.
Divisions:	Fakultas Sains dan Teknologi > Studi Matematika
Depositing User:	Firda Yunita Sari
Date Deposited:	08 Jan 2025 08:00
Last Modified:	08 Jan 2025 08:00
URI:	http://digilib.uinsa.ac.id/id/eprint/75166

Actions (login required)

View Item