IJCISIJCIS

International Journal of Computer and Information System (IJCIS)International Journal of Computer and Information System (IJCIS)

Sindrom Ovarium Polikistik (PCOS) adalah gangguan hormonal kompleks yang memengaruhi kesehatan reproduksi dan metabolik wanita. Deteksi dini sangat penting untuk mencegah komplikasi jangka panjang. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja empat algoritma klasifikasi *machine learning*, yaitu Naive Bayes, K-Nearest Neighbor (KNN), Decision Tree, dan Support Vector Machine (SVM), dalam membantu diagnosis PCOS berdasarkan data klinis. Dataset yang digunakan berisi 1000 data pasien dengan lima fitur utama: usia, indeks massa tubuh (IMT), ketidakteraturan menstruasi, kadar testosteron, dan jumlah folikel antral. Data dibagi menggunakan *stratified sampling* (80:20) dan divalidasi dengan teknik *k-fold cross-validation* (k=5). Evaluasi model menggunakan metrik akurasi, presisi, *recall*, F1-*score*, dan AUC. Hasil penelitian menunjukkan bahwa Decision Tree memiliki kinerja terbaik (akurasi 100%, AUC 0.997), diikuti oleh SVM (akurasi 97%) dan KNN (96%). Naive Bayes memiliki akurasi terendah (72%) dan menghasilkan banyak positif palsu. Meskipun Decision Tree unggul, terdapat risiko *overfitting*, sementara SVM dan KNN menunjukkan kinerja yang lebih stabil. Studi ini menegaskan bahwa algoritma klasifikasi, terutama SVM dan KNN, efektif untuk diagnosis PCOS berdasarkan data klinis. Implikasi praktis dari temuan ini adalah pengembangan sistem pendukung keputusan klinis yang akurat dan efisien untuk meningkatkan pelayanan kesehatan wanita.

Berdasarkan evaluasi, model Support Vector Machine (SVM) terbukti paling seimbang dan stabil untuk diagnosis PCOS, sementara Decision Tree menunjukkan performa unggul namun berisiko *overfitting* dan memerlukan validasi eksternal.K-Nearest Neighbor (KNN) juga menawarkan alternatif yang menjanjikan, berbeda dengan Naive Bayes yang kurang direkomendasikan karena akurasi rendah dan prediksi positif palsu yang tinggi.Penelitian ini diharapkan dapat berkontribusi pada pengembangan sistem pendukung keputusan klinis berbasis kecerdasan buatan yang lebih akurat dan efisien untuk meningkatkan layanan kesehatan reproduksi wanita.

Penelitian ini membuka jalan bagi pengembangan sistem diagnosis Polycystic Ovary Syndrome (PCOS) yang lebih canggih. Untuk penelitian lanjutan, ada beberapa arah yang sangat menjanjikan. Pertama, mengingat risiko *overfitting* yang teridentifikasi pada model Decision Tree, sebuah studi bisa menyelidiki bagaimana teknik *pruning* yang lebih agresif atau penggunaan metode *ensemble* seperti Random Forest dapat secara efektif mengatasi masalah ini. Fokusnya adalah untuk memastikan bahwa model Decision Tree tidak hanya akurat pada data yang sudah dikenal, tetapi juga mampu memberikan prediksi yang handal pada data pasien baru yang belum pernah dilihat sebelumnya, sehingga manfaatnya di lingkungan klinis menjadi lebih nyata dan dapat dipercaya. Kedua, dataset yang digunakan dalam penelitian ini terbatas pada lima fitur utama. PCOS sendiri merupakan kondisi yang sangat kompleks dengan banyak manifestasi. Oleh karena itu, penelitian di masa depan dapat mengeksplorasi penggunaan dataset yang lebih komprehensif. Ini berarti menambahkan lebih banyak variabel klinis, seperti hasil tes hormon yang lebih detail, profil metabolik lengkap, data genetik, atau bahkan citra USG ovarium dengan analisis yang lebih mendalam. Dengan memperluas jenis dan jumlah data masukan, diharapkan model pembelajaran mesin dapat menangkap pola yang lebih halus dan menghasilkan diagnosis yang lebih presisi dan personal. Ketiga, penelitian ini membandingkan algoritma klasifikasi dasar. Langkah selanjutnya adalah mengeksplorasi algoritma yang lebih maju atau kombinasi algoritma (model hibrida) yang mungkin memiliki kemampuan lebih baik dalam menangani kompleksitas data PCOS. Misalnya, model *deep learning* dapat diuji untuk melihat apakah mereka dapat secara otomatis mengekstrak fitur relevan dari data mentah yang lebih besar. Selain itu, aspek interpretasi model (*explainable AI*) menjadi krusial dalam konteks medis. Studi lanjutan dapat berfokus pada pengembangan model yang tidak hanya akurat, tetapi juga mampu menjelaskan alasan di balik prediksinya, sehingga para dokter dapat memahami dan lebih mempercayai rekomendasi dari sistem pendukung keputusan diagnosis ini.

  1. COMPARISON OF DECISION TREE AND RANDOM FOREST METHODS IN THE CLASSIFICATION OF DIABETES MELLITUS | Maulidiyyah... doi.org/10.33387/jiko.v7i2.8316COMPARISON OF DECISION TREE AND RANDOM FOREST METHODS IN THE CLASSIFICATION OF DIABETES MELLITUS Maulidiyyah doi 10 33387 jiko v7i2 8316
  2. Comparative Study on Heart Disease Prediction Using Feature Selection Techniques on Classification Algorithms... doi.org/10.1155/2021/5581806Comparative Study on Heart Disease Prediction Using Feature Selection Techniques on Classification Algorithms doi 10 1155 2021 5581806
  3. PERBANDINGAN METODE ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBORS UNTUK KLASIFIKASI PENYAKIT STROKE... doi.org/10.36040/jati.v7i1.6367PERBANDINGAN METODE ALGORITMA NAyaVE BAYES DAN K NEAREST NEIGHBORS UNTUK KLASIFIKASI PENYAKIT STROKE doi 10 36040 jati v7i1 6367
Read online
File size427.2 KB
Pages6
DMCAReport

Related /

JURIS Influencer Pricing Prognostication on Social Media Dynamics An Advanced Examination of the Linear Regression 2 Polynomial Degree Algorithm Neural Networks 2026More at 2026

UM SURABAYAUM SURABAYA Evaluasi model menggunakan Mean Absolute Error (MAE) menunjukkan bahwa Neural Network Keras mengungguli Regresi Linier Sederhana (10,612 MAE) dan RegresiEvaluasi model menggunakan Mean Absolute Error (MAE) menunjukkan bahwa Neural Network Keras mengungguli Regresi Linier Sederhana (10,612 MAE) dan Regresi

JURIS Analisis Perbandingan Akurasi Klasifikasi Kepuasan Siswa Terhadap Kinerja Guru Menggunakan Algoritma SVM C4 5 dan Random Forest 2026More at 2026

UMGUMG Hasil menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 98,30%, diikuti oleh C4. 5 sebesar 96,61%, dan Random Forest sebesar 95,76%. Uji ANOVA membuktikanHasil menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 98,30%, diikuti oleh C4. 5 sebesar 96,61%, dan Random Forest sebesar 95,76%. Uji ANOVA membuktikan

JURIS Model SIGAP Sistem Identifikasi Gejala Kantuk Pengemudi Menggunakan YOLO 11 2026More at 2026

PELITABANGSAPELITABANGSA Berdasarkan hasil tersebut, sistem SIGAP berpotensi digunakan sebagai sistem pendukung keselamatan berkendara untuk membantu mendeteksi gejala awal kantukBerdasarkan hasil tersebut, sistem SIGAP berpotensi digunakan sebagai sistem pendukung keselamatan berkendara untuk membantu mendeteksi gejala awal kantuk

JURIS Analyzing TAPERA program and sentiment analysis in Twitter using na ve bayes algorithm 2026More at 2026

PELITABANGSAPELITABANGSA Penelitian ini memberikan gambaran mendalam tentang respons publik terhadap Program Tapera di media sosial dan mengonfirmasi efektivitas Naïve Bayes ClassifierPenelitian ini memberikan gambaran mendalam tentang respons publik terhadap Program Tapera di media sosial dan mengonfirmasi efektivitas Naïve Bayes Classifier

JURIS Efektivitas Algoritma Support Vector Machine Dan Naive Bayes Dalam Mengiden Tifikasi Sentimen Ulasan Pengguna Aplikasi Jobstreet Sebuah Analisis Komparatif 2026More at 2026

PELITABANGSAPELITABANGSA 20, SVM mencapai akurasi 97%, presisi 0,98, recall 0,96, dan F1-score 0,97, menunjukkan kemampuan yang seimbang dalam mengenali sentimen positif dan negatif20, SVM mencapai akurasi 97%, presisi 0,98, recall 0,96, dan F1-score 0,97, menunjukkan kemampuan yang seimbang dalam mengenali sentimen positif dan negatif

JURIS Pemodelan Prediksi Kelulusan Tepat Waktu Mahasiswa D3 Teknologi Informasi Menggunakan Algoritma K Nearest Neighbors KNN 2026More at 2026

UMGUMG Model Random Forest memberikan keseimbangan yang lebih baik dibandingkan Decision Tree, dengan akurasi yang lebih tinggi dan stabilitas prediksi yang lebihModel Random Forest memberikan keseimbangan yang lebih baik dibandingkan Decision Tree, dengan akurasi yang lebih tinggi dan stabilitas prediksi yang lebih

JURIS Nilai nilai Akhlak dalam Pembentukan Karakter Menurut auu al BukhAr Moral Values in Character Formation According to auu al BukhAr 2025More at 2025

STIBASTIBA Penelitian ini membahas nilai-nilai akhlak dalam pembentukan karakter berdasarkan hadis-hadis Nabi yang terdapat dalam Ṣaḥīḥ al-Bukhārī. KajianPenelitian ini membahas nilai-nilai akhlak dalam pembentukan karakter berdasarkan hadis-hadis Nabi yang terdapat dalam Ṣaḥīḥ al-Bukhārī. Kajian

JURIS Pengaruh Fasilitas Kerja dan Efektivitas Komunikasi Terhadap Produktivitas Kerja Karyawan Phone Verification di PT Swakarya Insan Mandiri Kota Bekasi 2025More at 2025

URINDOURINDO Penelitian ini menyimpulkan bahwa efektivitas komunikasi berpengaruh positif dan signifikan terhadap produktivitas kerja karyawan, sementara fasilitasPenelitian ini menyimpulkan bahwa efektivitas komunikasi berpengaruh positif dan signifikan terhadap produktivitas kerja karyawan, sementara fasilitas

Useful /

JURIS Dekonstruksi Kehadiran dalam Stranger Things 4 Trace Supplement Hauntology dan Iterability 2026More at 2026

UNPADUNPAD Tesis ini berkontribusi pada kajian budaya populer dengan menunjukkan bagaimana dekonstruksi beroperasi sebagai analitik produksi, bukan sekadar negasiTesis ini berkontribusi pada kajian budaya populer dengan menunjukkan bagaimana dekonstruksi beroperasi sebagai analitik produksi, bukan sekadar negasi

JURIS Behavioristic Theory in the Scope of Education 2026More at 2026

HKBPHKBP Behavioristic learning theory is a learning theory that prioritizes changes in student behavior as a result of stimuli and responses. The characters inBehavioristic learning theory is a learning theory that prioritizes changes in student behavior as a result of stimuli and responses. The characters in

JURIS Pengaruh Kontrol Diri Terhadap Kecenderungan Perilaku Cyberslacking Mahasiswa Universitas HKBP Nommensen 2026More at 2026

HKBPHKBP Kontribusi kontrol diri terhadap cyberslacking adalah 15% yang mengindikasikan bahwa kontrol diri memiliki pengaruh sebesar 15% terhadap perilaku cyberslackingKontribusi kontrol diri terhadap cyberslacking adalah 15% yang mengindikasikan bahwa kontrol diri memiliki pengaruh sebesar 15% terhadap perilaku cyberslacking

JURIS Teachers Attitude In Conducting Wfh Policy In Jayapura City 2026More at 2026

HKBPHKBP Dalam sintaksis, ditunjukkan kata kunci yang disebut leksikon yang menggambarkan sebab dan akibat. Sementara dalam tekstualitas retoris, ditunjukkan olehDalam sintaksis, ditunjukkan kata kunci yang disebut leksikon yang menggambarkan sebab dan akibat. Sementara dalam tekstualitas retoris, ditunjukkan oleh

ads-block-test