Perbandingan Metode Machine Learning untuk Analisis dan Prediksi Siklus Menstruasi

Article Sidebar

pdf
Published: May 16, 2025
DOI: https://doi.org/10.26740/jieet.v8n2.p111-115
Keywords:
Machine learning, prediksi siklus menstruasi, LSTM, CNN, Decision Tree, kesehatan reproduksi

Main Article Content

Desak Putri
Udayana University
Mutiara Khairunisa
I Gusti Ngurah Lanang Wijayakusuma

Abstract

Penelitian ini membandingkan metode machine learning—Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), dan Decision Tree—untuk analisis dan prediksi siklus menstruasi. Menggunakan data sekunder, model-model ini dievaluasi berdasarkan akurasi, Mean Absolute Percentage Error (MAPE), dan Root Mean Square Error (RMSE). Hasil menunjukkan bahwa LSTM memiliki akurasi tertinggi (91,3%), efektif menangkap pola temporal kompleks pada data menstruasi, sedangkan CNN dan Decision Tree kurang konsisten. Hasil ini mendukung LSTM sebagai model yang disarankan untuk pelacakan siklus menstruasi, yang bermanfaat bagi pemantauan kesehatan reproduksi. Penelitian selanjutnya disarankan menambah variabel lain, seperti riwayat kesehatan hormonal dan gaya hidup, untuk meningkatkan akurasi prediksi serta memperhatikan privasi data pada aplikasi pelacakan menstruasi.

Article Details

Issue
Vol. 8 No. 2 (2024)
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

References

[1] K. Li, I. Urteaga, A. Shea, V. J. Vitzthum, C. H. Wiggins, and N. Elhadad, “A generative, predictive model for menstrual cycle lengths that accounts for potential self-tracking artifacts in mobile health data,” arXiv preprint arXiv:2102.12439, 2021.

[2] K. Li, I. Urteaga, A. Shea, V. J. Vitzthum, C. H. Wiggins, and N. Elhadad, “A predictive model for next cycle start date that accounts for adherence in menstrual self-tracking,” Journal of the American Medical Informatics Association, vol. 29, no. 1, pp. 3–11, 2022.

[3] I. Lestari, M. Akbar, and B. Intan, “Perbandingan Algoritma Machine Learning Untuk klasifikasi Amenorrhea,” Journal of Computer and Information Systems Ampera, vol. 4, no. 1, pp. 32–43, 2023.

[4] T. Thakur, S. Kadam, N. Patil, and C. Achrekar, “Machine Learning in Period, Fertility and Ovulation Tracking Application,” Authorea Preprints, 2023.

[5] M. Deverashetti, K. Ranjitha, and K. V Pradeepthi, “Security analysis of menstruation cycle tracking applications using static, dynamic and machine learning techniques,” Journal of Information Security and Applications, vol. 67, p. 103171, 2022.

[6] H. Nooraini, U. Salamah, and H. Prasetyo, “The Comparison of Classification of Stress Level Related to Student’s Menstrual Cycle Irregularities with Support Vector Machine and Decision Tree Algorithm,” in 2022 5th International Conference on Information and Communications Technology (ICOIACT), 2022, pp. 133–138. doi: 10.1109/ICOIACT55506.2022.9972141.

[7] M. A. Faishol, E. Endroyono, and A. N. Irfansyah, “Predict Urban Air Pollution in Surabaya Using Recurrent Neural Network–Long Short Term Memory,” Jurnal Ilmiah Teknologi Informasi, vol. 18, no. 2, pp. 102–114, 2020.

[8] R. H. Rafliansyah, B. Rahmat, and C. A. Putra, “Klasifikasi Suara Instrumen Musik Tiup Menggunakan Metode Convolutional Neural Network,” Merkurius: Jurnal Riset Sistem Informasi dan Teknik Informatika, vol. 2, no. 4, pp. 1–9, 2024.

[9] A. S. Munir, A. B. Saputra, A. Aziz, and M. A. Barata, “Perbandingan Akurasi Algoritma Naive Bayes dan Algoritma Decision Tree dalam Pengklasifikasian Penyakit Kanker Payudara,” Jurnal Ilmiah Informatika Global, vol. 15, no. 1, pp. 23–29, 2024.

[10] U. Lathifah and R. D. Dana, “IMPLEMENTASI METODE LINEAR REGRESSION UNTUK PREDIKSI HARGA PROPERTI REAL ESTATE MENGGUNAKAN RAPIDMINER,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 1129–1137, 2024.

[11] A. Arwansyah, S. Suryani, H. S. Y. H. SY, A. Ahyuna, U. Usman, and S. Alam, “Model Prediksi Deret Waktu Menggunakan Deep Convolutional LSTM,” in SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi, 2024, pp. 21–25.

[12] A. Dwika and D. Avianto, “Implementasi Algoritma LSTM untuk Prediksi Harga Cabai Merah Keriting di Yogyakarta,” Jurnal Indonesia : Manajemen Informatika dan Komunikasi, vol. 5, pp. 635–648, Jan. 2024, doi: 10.35870/jimik.v5i1.534.

[13] A. Wibowo, “Kecerdasan Buatan Gabungan pada Sistem Operasi Bisnis,” Penerbit Yayasan Prima Agus Teknik, pp. 1–187, 2024.

[14] N. Yudistira et al., Prediksi Deret Waktu Menggunakan Deep Learning. Universitas Brawijaya Press, 2023.

[15] R. F. Putra et al., Data Mining: Algoritma dan Penerapannya. PT. Sonpedia Publishing Indonesia, 2023.

[16] M. Alfandi, P. Pristiwanto, and A. M. H. Sihite, “Penerapan Metode CNN-LSTM Dalam Memprediksi Hujan Pada Wilayah Medan,” KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 6, no. 1, pp. 490–499, 2023.

[17] I. K. Trisiawan, Y. Yuliza, and S. Attamimi, “Penerapan multi-label image classification menggunakan metode convolutional neural network (cnn) untuk sortir botol minuman,” Jurnal Teknologi Elektro, vol. 13, no. 1, pp. 48–54, 2022.

[18] A. Taherkhani, G. Cosma, and T. M. McGinnity, “A Deep Convolutional Neural Network for Time Series Classification with Intermediate Targets,” SN Comput Sci, vol. 4, no. 6, p. 832, 2023.

[19] S. J. Pipin, R. Purba, and H. Kurniawan, “Prediksi Saham Menggunakan Recurrent Neural Network (RNN-LSTM) dengan Optimasi Adaptive Moment Estimation,” Journal of Computer System and Informatics (JoSYC), vol. 4, no. 4, pp. 806–815, 2023.

[20] W. D. Febrianti and N. K. J. Najah, “Analisis Klasifikasi Kepuasan Penumpang Maskapai Penerbangan Menggunakan Metode Support Vector Machine, Decision Tree, Dan Random Forest”.