Pendekatan Supervised Learning untuk Diagnosa Kehamilan

Abstract

Abstrak
 Dalam studi ini dilakukan evaluasi performa dari beberapa algoritma machine learning dalam mendiagnosis kehamilan. Tujuan dari studi ini adalah untuk menemukan algoritma yang paling efektif antara decision tree dengan random forest dalam mendiagnosis kehamilan. Studi ini juga bertujuan untuk memberikan pengetahuan yang lebih baik mengenai bagaimana teknik pembelajaran mesin dapat digunakan dalam proses diagnosa kehamilan dan memberikan informasi yang berguna bagi para dokter dan peneliti dalam membuat keputusan yang tepat dalam mendiagnosis kehamilan. Dari hasil evaluasi dapat disimpulkan bahwa model Random Forest dengan menggunakan dataset yang seimbang dan metode Gini memiliki akurasi terbaik sebesar 81%. Hal ini menunjukkan bahwa menggunakan dataset yang seimbang dapat meningkatkan performa dalam mendiagnosis kehamilan. Algoritma Random Forest merupakan metode yang sering digunakan dalam proses pengklasifikasian karena kinerjanya yang baik. Algoritma ini bekerja dengan membuat pohon keputusan yang digunakan untuk membuat prediksi. Pada studi ini, kami menggunakan algoritma Random Forest dengan metode Gini untuk melakukan prediksi kehamilan.
 Abstract
 This study evaluates the performance of several machine learning algorithms in diagnosing pregnancy. The purpose of this study is to find the most effective algorithm between decision trees and random forests in diagnosing pregnancy. This study also aims to provide better knowledge about how machine learning techniques can be used in the process of diagnosing pregnancy and provide useful information for doctors and researchers in making the right decisions in diagnosing pregnancy. From the evaluation results it can be concluded that the Random Forest model using a balanced dataset and the Gini method has the best accuracy of 81%. This shows that using a balanced dataset can improve performance in diagnosing pregnancy. Random Forest Algorithm is a method that is often used in the classification process because of its good performance. This algorithm works by creating a decision tree that is used to make predictions. In this study, we used the Random Forest algorithm with the Gini method to predict pregnancy.