SUKAMTO, Sukamto and Hadiyanto, Hadiyanto and Kurnianingsih, Kurnianingsih (2025) PENGEMBANGAN MODEL KLASIFIKASI PREEKLAMPSIA PADA KELAS TIDAK SEIMBANG MENGGUNAKAN ALGORITMA FHR-KNN. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text COVER.pdf Download (102kB)
	Text COVER LENGKAP.pdf Restricted to Repository staff only Download (503kB)
	Text 1. BAB I.pdf Download (181kB)
	Text 2. BAB II.pdf Download (409kB)
	Text 3. BAB III.pdf Restricted to Repository staff only Download (378kB)
	Text 4. BAB IV.pdf Restricted to Repository staff only Download (598kB)
	Text 5. BAB V.pdf Restricted to Repository staff only Download (106kB)
	Text 6. DAFTAR PUSTAKA.pdf Download (279kB)
	Text 7. LAMPIRAN.pdf Restricted to Repository staff only Download (4MB)

Abstract

Penelitian ini mengembangkan model klasifikasi preeklampsia pada data dengan kelas tidak seimbang menggunakan algoritma FHR-KNN. Model ini bertujuan untuk mendeteksi dini kondisi preeklampsia pada ibu hamil, sehingga dapat membantu mengurangi angka kematian ibu yang disebabkan oleh preeklampsia. Salah satu masalah utama dalam klasifikasi data medis adalah ketidakseimbangan kelas, di mana data mayoritas terdiri dari pasien sehat, sementara data minoritas adalah pasien dengan kondisi preeklampsia. Untuk mengatasi masalah ini, penelitian ini mengimplementasikan metode seleksi fitur, Random Oversampling (ROS), Random Undersampling (RUS), serta algoritma K-Nearest Neighbor (KNN) Feature Hybrid Resampling (FHR-KNN). Model ini menunjukkan peningkatan kinerja dalam kondisi data yang tidak seimbang dengan akurasi yang lebih baik dibandingkan metode augmentasi data konvensional. Hasil penelitian menunjukkan bahwa penggunaan teknik ini secara signifikan meningkatkan kemampuan model mengklasifikasikan preeklampsia, memberikan solusi yang lebih efektif untuk penanganan kondisi pada data dengan kelas tidak seimbang yang dapat membantu pada deteksi dini preeklampsia.
Kata Kunci: Preeklampsia, klasifikasi, ketidakseimbangan kelas, pembelajaran mesin, K-Nearest Neighbor, resampling, FHR-KNN

This research develops a preeclampsia classification model on imbalanced data using FHT-KNN algorithm approaches. The model aims to enable early detection of preeclampsia in pregnant women, thereby helping to reduce maternal mortality caused by this condition. One of the main challenges in medical data classification is class imbalance, where the majority of data consists of healthy patients, while the minority represents patients with preeclampsia. To address this issue, this study implements feature selection methods, Random Oversampling (ROS), Random Undersampling (RUS), and the K-Nearest Neighbor (KNN) algorithm (Feature Hybrid Resampling-FHR-KNN). The model demonstrates improved performance under imbalanced data conditions, with better accuracy compared to conventional data augmentation methods. The results show that the use of these techniques significantly enhances the model's ability to classify preeclampsia, providing a more effective solution for handling imbalanced data and facilitating early detection of preeclampsia.
Keywords: Preeclampsia, classification, class imbalance, K-Nearest Neighbor, resampling, FHR-KNN

Actions (login required)

View Item