Perpustakaan Digital ITB

Kardiotokografi (KTG) adalah alat penting dalam memantau kesejahteraan janin, deteksi kesejahteraan janin yang akurat sangat penting untuk mengurangi risiko komplikasi selama kehamilan dan persalinan. Namun tantangan seperti ketidakseimbangan data dan keberadaan fitur yang tidak relevan sering menghambat akurasi klasifikasi. Penelitian ini berfokus pada peningkatan akurasi klasifikasi kesejahteraan janin ke dalam tiga kelas (normal, suspect, dan pathological) melalui teknik oversampling menggunakan SMOTE dan seleksi fitur yang relevan. Teknik SMOTE berhasil menyeimbangkan dataset dengan jumlah sampel pada masing-masing kelas sebesar 1.646, sehingga meningkatkan performa model, terutama pada metrik akurasi, recall, dan F1-score. Seleksi fitur dilakukan dalam dua tahap: analisis korelasi menggunakan correlation heatmap dan ANOVA test. Hasilnya menunjukkan bahwa penghapusan fitur histogram tertentu dapat meningkatkan akurasi model. Model LightGBM memberikan performa terbaik dengan akurasi 98,32% dan skor ROC AUC 99,86%, diikuti oleh XGBoost dengan akurasi 98,19% dan ROC AUC 99,85%. Random Forest mencatatkan akurasi 97,58% dengan ROC AUC 99,78%, sementara Gradient Boosting mencapai akurasi 97,05% dengan ROC AUC 99,68%. Temuan ini menunjukkan bahwa kombinasi teknik oversampling dan seleksi fitur yang optimal dapat meningkatkan performa model klasifikasi kesejahteraan janin secara signifikan, mendukung untuk pengambilan keputusan medis.