Fairizal Arifianto

Semua Proyek/Preeclampsia Detection

← Kembali ke semua proyek

Machine Learning · Django · Research

Preeclampsia Detection

Kontribusi pada aplikasi Django dan evaluasi model machine learning untuk mendukung riset prediksi preeklampsia berbasis data terstruktur.

700observasi dataset
31fitur dianalisis
95,71%akurasi tertinggi
Buka web demoLihat repository

Riset dan evaluasi

10×cross validation4model pembanding3anggota tim
Analisis data · evaluasi model · visualisasi · kontribusi web
Perbandingan akurasi empat model pada riset preeklampsia
Perbandingan akurasi empat algoritma pada data seimbang dengan 10-fold cross validation. Nilai variasi antar-fold tetap ditampilkan agar perbandingan tidak hanya bertumpu pada satu angka.

Hasil perbandingan model

Empat algoritma diuji pada data seimbang menggunakan 10-fold cross validation. Nilai rata-rata dan variasi antar-fold dibaca bersama untuk melihat performa sekaligus kestabilannya.

ModelRata-rata akurasiVariasi antar-fold
Random Forest95,71%±2,78%
Neural Network95,43%±3,42%
Decision Tree92,71%±4,12%
Logistic Regression91,29%±4,64%

Hasil ini merupakan evaluasi pada dataset riset yang digunakan dalam proyek, bukan validasi klinis pada populasi umum.

Fokus kontribusi saya dalam tim

Proyek dikerjakan oleh tiga anggota. Kontribusi saya berfokus pada analisis dan evaluasi data, penyusunan visualisasi hasil, serta membantu menghubungkan keluaran model ke alur aplikasi web Django.

Analisis data

Mendukung eksplorasi dataset, analisis statistik, dan penyusunan visualisasi untuk memahami karakteristik fitur.

Evaluasi model

Membandingkan model dengan pembagian data dan cross validation untuk melihat performa klasifikasi secara lebih stabil.

Aplikasi web

Berkontribusi pada aplikasi Django yang menyajikan input pengguna dan keluaran prediksi bagi kebutuhan riset.

Sistem ini dibuat sebagai dukungan riset dan edukasi. Sistem bukan alat diagnosis klinis, dan hasilnya tidak menggantikan pemeriksaan tenaga kesehatan.

Alur kerja

  1. 01

    Understand

    Meninjau struktur dataset dan konteks variabel.

  2. 02

    Prepare

    Menyiapkan skenario data mentah dan data seimbang.

  3. 03

    Evaluate

    Menguji beberapa algoritma dengan metrik klasifikasi.

  4. 04

    Visualize

    Menyusun grafik evaluasi dan feature-weight.

  5. 05

    Deliver

    Menghubungkan hasil riset dengan pengalaman web Django.

Hal yang dipelajari

Evaluasi bukan hanya akurasi

Macro F1, precision, recall, dan ROC-AUC digunakan sebagai konteks tambahan saat membandingkan model.

Komunikasi hasil yang bertanggung jawab

Output machine learning untuk kesehatan perlu diberi batasan penggunaan yang jelas dan tidak boleh diposisikan sebagai diagnosis.

Teknologi