EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Evaluasi Komparatif Metode Feature Selection pada XGBoost Regression untuk Prediksi Panjang Siklus Menstruasi

Shofiatuz Zulfia, Mula Agung Barata, Ifnu Wisma Dwi Prastya

Jurnal Sistem Komputer dan Informatika (JSON) · 31.03.2026 · 7 (3) · 976-988

DOI: 10.30865/json.v7i3.9526 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Sistem Komputer dan Informatika (JSON), online erschienen am 31.03.2026. Verfasst von Shofiatuz Zulfia und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Panjang siklus menstruasi menjadi indikator utama dalam kesehatan reproduksi perempuan, namun perbedaan karakteristik individu dan ketidakteraturan siklus menyulitkan proses prediksi secara manual. Kondisi tersebut mendorong perlunya pendekatan berbasis data yang mampu menghasilkan prediksi panjang siklus menstruasi secara akurat dan konsisten. Penelitian ini bertujuan untuk melakukan evaluasi komparatif berbagai metode feature selection pada algoritma XGBoost Regression dalam memprediksi panjang siklus menstruasi. Dataset penelitian diperoleh dari Kaggle dan terdiri atas 162 data yang mencakup atribut fisiologis dan demografis perempuan. Tahapan penelitian meliputi preprocessing data, normalisasi menggunakan StandardScaler, pembagian data latih dan data uji dengan rasio 80:20, serta validasi 10-fold cross-validation untuk menguji stabilitas model. Empat skenario pemodelan dievaluasi, yaitu tanpa feature selection sebagai baseline, forward selection, backward elimination, dan optimized selection berbasis ensemble feature selection dari lima metode seleksi fitur. Hasil evaluasi menunjukkan bahwa metode forward selection memberikan performa terbaik dengan nilai R² sebesar 0,9005, RMSE 1,45 hari, MAE 0,57 hari, dan MAPE 1,73% (kesalahan relatif rata-rata < 2% terhadap panjang siklus 25-30 hari), serta meningkatkan nilai R² sebesar 0,1696 poin (dari 0,7309 menjadi 0,9005), setara dengan peningkatan relatif 23,2% terhadap nilai baseline. Temuan ini menunjukkan bahwa pemilihan metode feature selection yang tepat berpengaruh terhadap peningkatan performa prediktif dan stabilitas model XGBoost Regression dalam prediksi panjang siklus menstruasi.

Zitieren

APA

Zulfia, S., Barata, M. A., & Prastya, I. W. D. (2026). Evaluasi Komparatif Metode Feature Selection pada XGBoost Regression untuk Prediksi Panjang Siklus Menstruasi. Jurnal Sistem Komputer dan Informatika (JSON), 7(3), 976-988. https://doi.org/10.30865/json.v7i3.9526

Vancouver

Zulfia S, Barata MA, Prastya IWD. Evaluasi Komparatif Metode Feature Selection pada XGBoost Regression untuk Prediksi Panjang Siklus Menstruasi. Jurnal Sistem Komputer dan Informatika (JSON). 2026;7(3):976-988. doi:10.30865/json.v7i3.9526

BibTeX
@article{Zulfia2026,
  author = {Zulfia, Shofiatuz and Barata, Mula Agung and Prastya, Ifnu Wisma Dwi},
  title = {Evaluasi Komparatif Metode Feature Selection pada XGBoost Regression untuk Prediksi Panjang Siklus Menstruasi},
  journal = {Jurnal Sistem Komputer dan Informatika (JSON)},
  year = {2026},
  volume = {7},
  number = {3},
  pages = {976--988},
  doi = {10.30865/json.v7i3.9526}
}
Kostenlos starten →