Autoencoder untuk Sistem Prediksi Berat Lahir Bayi

Abstract

Salah satu ukuran terpenting saat awal persalinan adalah keakuratan prediksi berat lahir. Dengan menggunakan metode prediksi yang tepat, perkiraan ekstrim berat lahir bayi dapat dideteksi lebih atau kurang sehingga beberapa tindakan pencegahan dapat dilakukan sebelum persalinan. Di sisi lain, untuk meningkatkan akurasi suatu proses pembelajaran, dibutuhkan suatu prediksi yang akurat untuk masalah yang dihadapi atau dengan menggunakan gabungan beberapa metode. Penelitian bertujuan untuk prediksi berat lahir bayi menggunakan metode Deep Learning autoencoder untuk memprediksi berat lahir bayi. Salah satu tantangan dalam pengembangan sistem prediksi berat lahir bayi adalah datanya yang berdimensi tinggi. Teknik konvensional untuk feature reduction seperti principal component analysis (PCA), mengasumsikan orthogonality atau independensi antar komponen prinsipal nya. Dengan autoencoder, asumsi tersebut tidak ada. Sehingga autoencoder dapat memodelkan korelasi antar fitur. Dengan melakukan variasi parameter pada autoencoder, performa terbaik diperoleh adalah MSE 0.002, MAE 0.029, R2 0.991 dengan autoencoder dengan 4 lapisan hidden layer encoder dan decoder. Ini lebih baik dibandingkan PCA. AbstractOne of the most important measurements at the onset of labor is the accuracy of the prediction of birth weight. By using precise prediction methods extreme estimates of baby birth weight can be detected more or less so that some precautions can be taken before delivery. On the other hand, to improve the accuracy of a learning process, an accurate prediction is needed for the problem at hand or by using a combination of several methods. This study aims to predict baby birth weight using the Deep Learning autoencoder method to predict baby birth weight. One of the challenges in developing a predictive system for infant birth weight is the high dimensional data. Conventional techniques for feature reduction, such as principal component analysis (PCA), assume orthogonality or independence between the principal components. With an autoencoder, that assumption doesn't exist. So that the autoencoder can model the correlation between features. By varying the parameters of the autoencoder, the best performance is MSE 0.002, MAE 0.029, R2 0.991 with an autoencoder with 4 hidden layer encoder and decoder layers. This is better than PCA.