<![CDATA[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.]]>
Copyrights © 2024
