Pemodelan Kesehatan Jantung Janin: Studi Komparatif Klasifikasi Menggunakan Metode Machine Learning

Abstrak

Identifikasi dini kelainan pada jantung janin merupakan langkah krusial untuk menurunkan risiko
komplikasi selama kehamilan dan persalinan. Phonocardiogram (PCG) merupakan sinyal akustik jantung
yang bersifat non-invasif dan berpotensi dimanfaatkan untuk skrining otomatis berbasis kecerdasan buatan.
Penelitian ini bertujuan untuk membandingkan performa tiga algoritma machine learning yaitu: K-Nearest
Neighbors (KNN), Support Vector Machine (SVM), dan Random Forest (RF), dalam mengklasifikasikan
suara jantung janin ke dalam kategori normal dan abnormal. Data yang digunakan berasal dari Shiraz
University Fetal Heart Sounds Database, dan fitur yang diekstraksi mencakup Mel-Frequency Cepstral
Coefficients (MFCC), Zero Crossing Rate (ZCR), dan Spectral Centroid (SC). Hasil pengujian
menunjukkan bahwa model Random Forest memberikan performa terbaik dengan akurasi 91%, presisi dan
spesifisitas sempurna sebesar 1,00, serta F1-score sebesar 0,91. Sementara itu, KNN unggul dalam
sensitivitas sebesar 1,00, dan SVM menunjukkan performa yang lebih seimbang namun moderat. Temuan
ini mendukung pemanfaatan algoritma machine learning dalam membangun sistem deteksi dini yang
efisien dan dapat diimplementasikan pada fasilitas kesehatan dengan sumber daya terbatas.

Kata Kunci: janin, klasifikasi, machine learning, phonocardiogram.