Klasifikasi Kesehatan Janin Pada Ibu Hamil Menggunakan Metode Support Vector Machine

Abstract

Pemantauan kondisi kesehatan janin merupakan bagian krusial dalam masa kehamilan, yang membutuhkan metode deteksi dini yang akurat dan efisien terhadap potensi gangguan. Penelitian ini bertujuan untuk merancang sistem klasifikasi kondisi janin menggunakan algoritma Support Vector Machine (SVM). Data yang dianalisis meliputi sejumlah parameter fisiologis janin yang diperoleh melalui pemeriksaan rutin, seperti detak jantung, aktivitas gerak janin, serta indikator lain yang relevan. Pemilihan metode SVM didasarkan pada kemampuannya dalam menangani data yang bersifat non-linier serta keunggulannya dalam menghasilkan akurasi klasifikasi yang tinggi. Tahapan klasifikasi melibatkan proses pra-pemrosesan data, pemilihan fitur yang signifikan, pelatihan model, dan evaluasi performa menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SVM mampu mengidentifikasi kondisi kesehatan janin dengan tingkat akurasi yang tinggi, sehingga berpotensi menjadi alat bantu diagnosis yang dapat dimanfaatkan oleh tenaga medis. Studi ini memberikan kontribusi dalam ranah kesehatan ibu dan janin melalui pendekatan berbasis machine learning yang dapat meningkatkan efektivitas sistem pemantauan kesehatan janin. Monitoring fetal health is a crucial aspect of pregnancy, requiring accurate and efficient methods for early detection of potential complications. This study aims to develop a fetal health classification system using the Support Vector Machine (SVM) algorithm. The data analyzed includes various fetal physiological parameters obtained through routine examinations, such as heart rate, fetal movements, and other relevant indicators. SVM was chosen due to its capability to handle non-linear data and its high classification accuracy. The classification process involves data preprocessing, feature selection, model training, and performance evaluation using metrics such as accuracy, precision, recall, and F1-score. The results indicate that SVM can effectively classify fetal health conditions with high accuracy, making it a promising diagnostic support tool for medical professionals. This study contributes to maternal and fetal healthcare by offering a machine learning-based approach that enhances the effectiveness of fetal health monitoring systems.