Publisher

UHBUHB

Journal Jurnal Kolaborasi Riset SarjanaJurnal Kolaborasi Riset Sarjana Abstract

Dalam studi ini, kami membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) untuk memprediksi risiko kehamilan pada pasien. Dataset yang digunakan terdiri dari delapan variabel, seperti jumlah kehamilan, status vaksinasi, tekanan darah, detak jantung janin, indeks massa tubuh (BMI), usia, dan tinggi badan, yang digunakan untuk mengklasifikasikan kehamilan sebagai berisiko tinggi atau tidak berisiko. Pra-pemrosesan data dilakukan dengan standarisasi fitur numerik dan pembagian data menggunakan metode stratified split (80% data latih, 20% data uji). Hasil evaluasi model menunjukkan bahwa KNN mencapai tingkat akurasi 81%, sementara SVM memperoleh akurasi 75,50%. Analisis lebih lanjut menunjukkan bahwa KNN lebih stabil dalam mengklasifikasikan data dengan distribusi variabel yang beragam, sedangkan SVM menunjukkan kecenderungan lebih sensitif terhadap kasus berisiko tinggi, dengan 66,7% prediksi mengarah pada kategori tersebut. Jika dibandingkan dengan penelitian terdahulu, performa KNN berada dalam rentang akurasi umum 70–95%, sedangkan akurasi SVM sedikit lebih rendah dari rata-rata penelitian serupa yang mencapai sekitar 80,33%. Penelitian ini menyimpulkan bahwa kedua algoritma ini berpotensi sebagai alat bantu untuk deteksi dini risiko kesehatan ibu hamil, di mana perbedaan performa keduanya dipengaruhi oleh parameter yang dipilih, karakteristik data, dan pembagian kelas.

Conclusion

Penelitian ini membandingkan kinerja dua algoritma machine learning, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), untuk memprediksi risiko kehamilan pada dataset publik yang mencakup 998 data pasien dan delapan variabel medis utama.Berdasarkan analisis, KNN menunjukkan performa yang lebih unggul dengan akurasi 81%, melebihi akurasi SVM yang hanya 75,50%.Meskipun begitu, SVM memiliki kekuatan khusus dalam mendeteksi lebih banyak kasus berisiko tinggi (66,7%).Perbedaan signifikan ini menggarisbawahi bahwa karakteristik dataset, distribusi fitur, dan pemilihan parameter sangat krusial dalam menentukan akurasi dan kemampuan generalisasi model.KNN lebih sesuai digunakan pada dataset dengan distribusi fitur yang relatif seimbang, terutama ketika tujuan penelitian menekankan pada pencapaian akurasi tinggi secara keseluruhan.SVM lebih sensitif dalam mendeteksi kasus berisiko, sehingga tetap relevan digunakan ketika tujuan analisis lebih berfokus pada kemampuan model menangkap sebanyak mungkin data pasien yang termasuk kategori berisiko tinggi.Pemilihan algoritma terbaik sangat bergantung pada konteks aplikasi, misalnya apakah lebih penting mengutamakan akurasi umum (overall accuracy) atau deteksi dini pasien berisiko tinggi (recall pada kelas positif).

Future Research

Untuk penelitian lanjutan, dapat dipertimbangkan beberapa saran berikut: Pertama, melakukan analisis lebih mendalam mengenai pengaruh parameter k pada algoritma KNN dan bagaimana hal tersebut mempengaruhi akurasi prediksi. Kedua, mengeksplorasi penggunaan kernel lain selain RBF pada algoritma SVM untuk melihat apakah ada peningkatan performa dalam mendeteksi kasus berisiko tinggi. Ketiga, melakukan studi komparatif yang lebih luas dengan melibatkan algoritma machine learning lainnya, seperti Random Forest atau Neural Network, untuk mengetahui algoritma mana yang paling efektif dalam memprediksi risiko kesehatan ibu hamil berdasarkan dataset yang serupa.

References

1. Komparasi Kinerja Algoritma Random Forest, Decision Tree, Naïve Bayes, dan KNN dalam Prediksi Tingkat... ejournal.uhb.ac.id/index.php/IKOMTI/article/view/1756Komparasi Kinerja Algoritma Random Forest Decision Tree Nayve Bayes dan KNN dalam Prediksi Tingkat ejournal uhb ac index php IKOMTI article view 1756
2. Applications of Machine Learning in Healthcare | IntechOpen. applications machine learning healthcare... doi.org/10.5772/INTECHOPEN.92297Applications of Machine Learning in Healthcare IntechOpen applications machine learning healthcare doi 10 5772 INTECHOPEN 92297
3. CMC | Machine Learning Stroke Prediction in Smart Healthcare: Integrating Fuzzy K-Nearest Neighbor and... techscience.com/cmc/v82n3/59949CMC Machine Learning Stroke Prediction in Smart Healthcare Integrating Fuzzy K Nearest Neighbor and techscience cmc v82n3 59949

Metadata

File size	770.09 KB
Pages	8
DMCA	Report