ANALISIS KINERJA METODE AUGMENTASI DATA BERBASIS GENERATIVE ADVERSARIAL NETWORK PADA SINYAL CARDIOTOCOGRAPHY

Jurnal Mahasiswa TEUB
Vol. 13 No. 7 (2025)

Interpretasi sinyal Cardiotocography (CTG) untukmendeteksi kondisi patologis janin sangat bergantung padakeahlian klinisi, sehingga rentan terhadap subjektivitas danvariabilitas antar pengamat. Permasalahan ini menimbulkankebutuhan akan sistem klasifikasi otomatis berbasis kecerdasanbuatan yang dapat membantu pengambilan keputusan secaraobjektif dan konsisten. Namun, pengembangan sistem tersebutmenghadapi tantangan berupa ketidakseimbangan distribusidata, di mana kasus normal lebih banyak dibandingkan kasusabnormal, sehingga model pembelajaran mesin cenderung biasterhadap kelas mayoritas. Untuk mengatasi hal tersebut,penelitian ini mengusulkan pendekatan Generative AdversarialNetwork (GAN) guna menyintesis sinyal Fetal Heart Rate (FHR)pada kelas minoritas. Dua arsitektur GAN, yaitu CTGGAN danFHRGAN, dibandingkan kinerjanya menggunakan datasetCTU-UHB yang terdiri atas 552 sampel FHR. Evaluasi kondisiFHR menggunakan pH darah tali pusat sebagai surogat klinisutama karena sifatnya yang objektif dan terukur, pengujiandilakukan pada dua ambang pH (<7,15 dan <7,20) untukmenilai pengaruh variasi tingkat asidosis danketidakseimbangan data terhadap performa klasifikasi.Kualitas data sintetik dievaluasi menggunakan metrik RelativeEntropy (RE) dan Fréchet Distance (FD), FHRGANmenunjukkan keunggulan pada nilai RE (FHRGAN 2,44 vsCTGGAN 7,47), CTGGAN unggul pada nilai FD (CTGGAN0,61 vs 0,73 FHRGAN). Integrasi data sintetik pada enamarsitektur Convolutional Neural Network (CNN) terbuktimeningkatkan sensitivitas deteksi kasus abnormal dan F1-scoremacro, misalnya pada DenseNet201, F1-score macro meningkatdari 52,92% menjadi 58,27%. Hasil penelitian ini menunjukkanbahwa pendekatan augmentasi data berbasis GAN efektif untukmeningkatkan kinerja klasifikasi CTG dan menunjukkanpotensi sebagai dasar pengembangan sistem pendukungkeputusan klinis yang memerlukan validasi dan uji klinissebelum dapat diimplementasikan sebagai solusi praktik.Kata kunci: Fetal Heart Rate, Cardiotocography,Generative Adversarial Network, Augmentasi Data,Imbalanced Dataset, Convolutional Neural Network.