Klasifikasi Preeklampsia pada Ibu Hamil menggunakan Algoritma KNN
DOI:
https://doi.org/10.52436/1.jpti.514Kata Kunci:
classification, data mining, KNN, preeclampsia, pregnant womenAbstrak
World Health Organization (WHO) pada tahun 2020 mengatakan angka kematian ibu (AKI) didunia sebanyak 227.22 per 100.000 kelahiran hidup, penyebab kematian ibu hamil secara langsung salah satunya disebabkan oleh Preeklampsia. Preeklampsia adalah suatu penyakit yang dialami oleh ibu hamil yang ditandai dengan adanya tanda-tanda hipertensi (tekanan darah tinggi), eodema (pembengkakan), dan proteinuria (kadar protein dalam urin meningkat. Pada salah satu rumah sakit swasta di Cikarang kasus preeklamsia setiap tahunnya mengalami peningkatan, Rata-rata persentase peningkatan jumlah pasien Preeklamsia dari tahun 2020 hingga 2022 sekitar 17,5% per tahun. Hal itu terjadi dikarenakan ibu hamil tidak menyadari ketika dirinya mengidap penyakit preeklamsia.Tanda-tanda awal preeklamsia hampir sama dengan penyakit hipertensi. Penelitian ini bertujuan untuk membuat model diagnosis penyakit preeklamsia. Harapannya model ini bisa sebagai Alat bantu self diagnoses, untuk deteksi awal penyakit preeklamsia agar bisa mencegah terjadinya penyakit Eklampsia yang dapat lebih membahayakan nyawa ibu dan janin. Dalam penelitian ini, beberapa skenario eksperimen diterapkan dengan mengubah jumlah tetangga terdekat (nilai K) untuk mengoptimalkan akurasi model nilai K yang berbeda beda, sehingga didapatkan hasil klasifikasi yang maksimal terdapat pada jumlah nilai K =3 dan K=5 dengan pemabagian data traing dan data testing 90:10 mendapatkan hasil akurasi 97%, sedangkan hasil klasifikasi terendah didapatkan pada pembagian data 50:50 untuk nilai K=9 sebesasr 84%.
Unduhan
Referensi
D. Saputri, M. Sari, P. Fransiska, A. K. Rangga, dan H. Prabumulih, “Karakteristik Ibu Hamil Dengan Preeklampsia,” Cendekia Medika?: Jurnal STIKES Al-Ma’arif Baturaja, vol. 8, no. 1, 2023.
R. T. P. S. R. Rismayanti Mambela, “Identifikasi Kejadian Preeklampsia Pada Ibu Hamil Di Kabupaten Luwu, Sulawesi Selatan,” 2020.
Z. Manoochehri, S. Manoochehri, F. Soltani, L. Tapak, dan M. Sadeghifar, “Predicting preeclampsia and related risk factors using data mining approaches: A cross-sectional study,” Int J Reprod Biomed, vol. 19, no. 11, hlm. 959–968, Okt 2021, doi: 10.18502/ijrm.v19i11.9911.
N. Muhani dan B. Besral, “Pre-eklampsia Berat dan Kematian Ibu,” Kesmas: National Public Health Journal, vol. 10, no. 2, hlm. 80, Nov 2015, doi: 10.21109/kesmas.v10i2.884.
S. Amelia, M. Nor Hayati, S. Prangga, P. Studi Statistika, dan J. Matematika, “Penerapan Metode Modified K-Nearest Neighbor Pada Pengklasifikasian Status Pembayaran Kredit Barang Elektronik dan Furniture,” 2022.
N. Fadhilah dan R. Widyastuti, “Eklampsia,” Continuing Medical Education, 2022.
M. Ilham, N. Luh, S. S. Adnyani, dan D. K. Suryadi, “Pembangunan Model Pendeteksi Risiko Preeklamsia pada Ibu Hamil dengan Menggunakan Metode Data Mining,” vol. 23, no. 01, hlm. 50–60, 2024, [Daring]. Tersedia pada: http://creativecommons.org/licenses/by/4.0/
R. Hidayat dan T. Astuti, “Diagnosis Preeklamsia pada Ibu Hamil Berdasarkan Algoritme K-Nearest Neighbour,” Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK, vol. 14, no. 2, 2020.
M. Tahir, T. Badriyah, dan I. Syarif, Neural Networks Algorithm to Inquire Previous Preeclampsia Factors in Women with Chronic Hypertension During Pregnancy in Childbirth Process, vol. 19, Issue no. 11. IEEE, 2020.
Sukamto, Hadiyanto, dan Kurnianingsih, “KNN Optimization Using Grid Search Algorithm for Preeclampsia Imbalance Class,” dalam E3S Web of Conferences, EDP Sciences, Nov 2023. doi: 10.1051/e3sconf/202344802057.
I. Mari? dkk., “Early prediction of preeclampsia via machine learning,” Am J Obstet Gynecol MFM, vol. 2, no. 2, Mei 2020, doi: 10.1016/j.ajogmf.2020.100100.
S. Nurrohmah, D. Normawati, A. Dahlan, J. Ringroad Selatan, dan I. Yogyakarta, “Prediksi Dini Penyakit Preeklamsia Menggunakan Algoritma C4.5,” vol. 10, no. 3, hlm. 120–132, 2022, doi: 10.12928/jstie.v8i3.xxx.
L. Anshori dan R. Regasari Mardi Putri, “Implementasi Metode K-Nearest Neighbor untuk Rekomendasi Keminatan Studi (Studi Kasus: Jurusan Teknik Informatika Universitas Brawijaya),” 2018. [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id
W. Puspita Hidayanti, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Efektivitas Penjualan Vape (Rokok Elektrik) pada ‘Lombok Vape On,’” Jurnal Informatika dan Teknologi, vol. 3, no. 2, 2020.
Salsabila, S. Martha, dan W. Andani, “Komparasi Algoritma K-Nearest Neighbor Dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Stunting Balita,” vol. Volume 13, No. 2, 2024.
Z. Karimi, “Confusion Matrix,” 2021. [Daring]. Tersedia pada: https://www.researchgate.net/publication/355096788
Mustakim dan G. Oktaviani, “Algoritma K-Nearest Neighbor Classification,” Jurnal Sains, Teknologi dan Industri, vol. 13, no. 2, hlm. 195–202, 2016, [Daring]. Tersedia pada: http://ejournal.uin-suska.ac.id/index.php/sitekin.
