KUSUMA, Wisnu Yuda (2022) Aplikasi Prediksi Usia Kelahiran menggunakan Metode Support Vector Machine. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-WISNU YUDA KUSUMA-H1D017040-SKRIPSI.pdf Download (86kB)
	PDF (Legalitas) LEGALITAS-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Restricted to Repository staff only Download (418kB)
	PDF (Abstrak) ABSTRAK-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Download (114kB)
	PDF (BabI) BAB-I-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Restricted to Repository staff only until 22 June 2023. Download (107kB)
	PDF (BabII) BAB-II-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Restricted to Repository staff only until 22 June 2023. Download (435kB)
	PDF (BabIII) BAB-III-WISNU YUDA KUSUMA-H1D017040-SKRIPSI.pdf Restricted to Repository staff only until 22 June 2023. Download (193kB)
	PDF (BabIV) BAB-IV-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB-V-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Download (65kB)
	PDF (Daftar Pustaka) DAFTAR PUSTAKA-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Download (179kB)
	PDF (Lampiran) LAMPIRAN-WISNU YUDA KUSUMA-H1D017040-SKRIPSI-2022.pdf Restricted to Repository staff only Download (653kB)

Abstract

Pada dasarnya kelahiran bayi yang sehat berada pada usia 38-42 minggu kehamilan. Namun, tidak semua bayi yang lahir pada usia sehat, banyak bayi yang terlahir pada usia kelahiran yang lebih cepat daripada usia normal dan usia yang lewat dari waktu normal lahir. Penelitian ini bertujuan untuk membantu pasien untuk mengetahui usia kelahirannya dan mengantisipasi hal yang tidak diinginkan dengan aplikasi yang mengimplementasikan data mining untuk prediksi kelahiran. Metode yang diguanakan dalam penelitian ini ialah metode Support Vector Machine ialah teknik klasifikasi yang termasuk supervised learning. Support Vector Machine menggunakan data test 30% dan data train 70% dari 366 data yang ada pada datasets. Metode yang digunakan adalah support vector machine (SVM) dengan variable inputan faktor yang dialami ibu hamil : tekanan darah, riwayat persalinan, riwayat abortus/kuretase, malnutrisi, penyakit lain, masalah saat hamil ini. Untuk Variabel keluaran yakni usia kelahiran. Untuk hasil akhir pada penelitian ini diperolehnya precision dengan nilai 0.80 atau sebesar 80%, recall dengan nilai 0.61 atau sebesar 61%, accuracy dengan nilai 0.71; f1_score dengan nilai 0.57 atau sebesar 57% ke dalam sebuah aplikasi berbasis website yang dibangun menggunakan Django framework. Hasil akhir dari aplikasi akan dibandingkan dengan aplikasi bernama orange untuk membandingkan hasil klasifikasi precision, recall, accuracy dan f1-score dengan dataset, persentase data test, kernel yang sama yaitu kernel ‘rbf’ (radial basis function). Dengan jumlah data yang berbeda-beda, tetapi data testing yang sama dan data training yang jumlahnya berbeda-beda yakni 366 data dengan data test 110 dan data training 256, lalu 310 data dengan data test 110 dan 200 data training, 260 jumlah data dengan 110 data test dan 150 data training, dan 210 jumlah data dengan 110 data test dan 100 data training

Actions (login required)

View Item