<![CDATA[Metode konvensional untuk memantau kondisi janin melalui rekaman denyut nadi janin (FHR) dan kontraksi uterus (UC), cardiotocography (CTG), dilakukan secara manual. Interpretasi manual CTG sering menyebabkan variasi antar pengamat dan meningkatkan kemungkinan kesalahan dalam mengidentifikasi hipoksia janin. Untuk memecahkan masalah tersebut, penelitian ini menyarankan teknik klasifikasi multi-kelas (Normal, Suspect, dan Hipoksia) yang menggunakan kombinasi ResNet multimodal dan Thresholding Importance Feature. Sebelum proses sinyal FHR, sampel, normalisasi, dan segmentasi berbasis time-window segmentation dilakukan. Selanjutnya, fitur klinis dan statistik seperti STV, LTV, akselerasi, deselerasi, pH, dan skor Apgar diekstrak. Selanjutnya, metode yang menggabungkan nilai gain, permutation, dan pilihan stabilitas digunakan untuk memilih stabilitas dengan nilai fitur terendah. Tiga cabang terdiri dari arsitektur multimodal yang dikembangkan: 1D-ResNet untuk sinyal FHR mentah; 2D-ResNet untuk representasi citra (time-frequency/spectrogram); dan MLP untuk data tabular hasil ambang. Ketiga cabang difusi melalui lapisan yang benar-benar terhubung untuk menghasilkan prediksi akhir multi-kelas. Hasil uji menunjukkan bahwa model memiliki akurasi 84,6%, skor F1 83, dan skor AUROC di atas 0,9. Kelas Suspect menunjukkan sensitivitas yang lebih tinggi, dan Kelas Normal menunjukkan prestasi terbaik. Studi ini menunjukkan bahwa fusi multimodal dengan thresholding fitur dapat meningkatkan keandalan sistem klasifikasi CTG multi-kelas dan memberikan kontribusi berupa pipeline hibrid yang efisien dan relevan klinis. Sebaliknya, kurva ROC dan analisis confusion matrix menunjukkan kemampuan diskriminatif yang baik. Tingkat risiko evaluasi mencapai 40%, yang sesuai dengan rekomendasi klinis]]>
