Fatimattuzahra, Fayza (2025) Klasifikasi risiko kesehatan ibu hamil menggunakan algoritma Extreme Gradient Boosting (XGB). Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text
1_cover.pdf Download (127kB) | Preview |
|
|
Text
2_abstrak.pdf Download (191kB) | Preview |
|
|
Text
3_skbebasplagiarism.pdf Download (586kB) | Preview |
|
|
Text
4_daftarisi.pdf Download (209kB) | Preview |
|
|
Text
5_bab1.pdf Download (278kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text
6_bab2.pdf Restricted to Registered users only Download (458kB) | Request a copy |
|
|
Text
7_bab3.pdf Restricted to Registered users only Download (333kB) | Request a copy |
|
|
Text
8_bab4.pdf Restricted to Registered users only Download (4MB) | Request a copy |
|
|
Text
9_bab5.pdf Restricted to Registered users only Download (234kB) | Request a copy |
|
|
Text
10_daftarpustaka.pdf Restricted to Registered users only Download (206kB) | Request a copy |
|
|
Text
11_lampiran.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
Abstract
Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi risiko kesehatan ibu hamil menggunakan algoritma Extreme Gradient Boosting (XGBoost) sebagai solusi untuk tingginya angka kematian ibu (AKI) yang disebabkan oleh keterlambatan deteksi dini. Metode yang digunakan adalah Cross- Industry Standard Process for Data Mining (CRISP-DM), yang mencakup tahapan dari pemahaman bisnis hingga deployment. Dataset yang terdiri dari 505 entri data ibu hamil, yang mencakup parameter seperti usia, tekanan darah, dan status gizi, digunakan untuk melatih dan menguji model. Hasil evaluasi menunjukkan performa model yang sangat efektif, dengan akurasi tertinggi mencapai 97,37% pada skenario pembagian data 70:15:15. Optimasi hyperparameter menggunakan GridSearchCV terbukti signifikan dalam meningkatkan akurasi dan efisiensi model. Model terbaik yang telah dioptimalkan kemudian diterapkan dalam aplikasi web interaktif menggunakan Streamlit untuk memfasilitasi deteksi dini risiko kehamilan secara praktis. Analisis feature importance mengungkapkan bahwa "kehamilan ke-" merupakan faktor paling berpengaruh dalam klasifikasi risiko. Penelitian ini menyimpulkan bahwa algoritma XGBoost adalah alat yang andal untuk mendukung deteksi dini risiko kehamilan, dan optimasi model merupakan langkah krusial untuk mencapai kinerja optimal.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Extreme Gradient Boosting; XGBoost; Klasifikasi; Risiko Kehamilan; Machine Learning; CRISP-DM |
| Subjects: | Data Processing, Computer Science Special Computer Methods > Artificial Intelligence Medicine and Health Gynecology and Obstetric > Diseases and Complications of Pregnancy |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Fayza Fatimattuzahra |
| Date Deposited: | 11 Sep 2025 04:19 |
| Last Modified: | 11 Sep 2025 04:19 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/119012 |
Actions (login required)
 |
View Item |
