UDBUDB

Infokes: Jurnal Ilmiah Rekam Medis dan Informatika KesehatanInfokes: Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan

Abstrak— Angka Kematian Ibu (AKI) yang persisten tinggi di Indonesia, khususnya yang disebabkan oleh komplikasi selama masa kehamilan, menuntut adanya inovasi dalam metode skrining dini di fasilitas pelayanan kesehatan primer. Penelitian ini bertujuan untuk mengembangkan, memvalidasi, dan membangun aplikasi untuk prediksi tingkat risiko kehamilan di Puskesmas Telaga Dewa, Bengkulu. Dengan menggunakan kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM), sebuah dataset yang terdiri dari 488 rekam medis pasien ibu hamil dengan 13 variabel klinis objektif dianalisis. Dua algoritma klasifikasi, yaitu Decision Tree dan Random Forest, dievaluasi menggunakan strategi validasi silang 10-fold (10-fold cross-validation) untuk memastikan estimasi kinerja yang robust. Hasil evaluasi menunjukkan keunggulan signifikan dari model Random Forest, yang mencapai nilai rata-rata akurasi 0.97, presisi 0.94, recall 0.99, dan F1-score 0.96. Kinerja ini secara konsisten melampaui model Decision Tree (akurasi 0.85, F1-score 0.85). Analisis feature importance mengidentifikasi tekanan darah, usia, dan riwayat abortus sebagai prediktor paling berpengaruh. Temuan ini menggarisbawahi potensi besar model Random Forest sebagai alat bantu keputusan klinis (Clinical Decision Support) yang akurat dan andal bagi bidan di tingkat Puskesmas. Implementasi model ini dalam bentuk aplikasi berbasis web dapat memfasilitasi stratifikasi risiko pasien secara efisien, memungkinkan alokasi sumber daya yang lebih terfokus, dan mendukung intervensi dini untuk menekan AKI, sejalan dengan agenda transformasi digital kesehatan nasional.

Hasil dari penerapan klasifikasi tingkat risiko kehamilan menggunakan metode random forest untuk prediksi ibu hamil yang mengalami risiko dan tidak risiko ini bahwa metode random forest dapat memberi klasifikasi nilai yang baik pada akurasi.Juga model random forest dapat diimplementasikan ke dalam sistem aplikasi tingkat risiko kehamilan pada angka kematian ibu di puskesmas telaga dewa.Sehingga petugas dapat melaksanakan tugas dilapang secara langsung ke rumah pasien.

Penelitian selanjutnya dapat memperluas validasi model dengan menguji data multi‑puskesmas di berbagai provinsi untuk menilai generalisasi dan konsistensi performa pada populasi yang lebih beragam; selanjutnya, studi dapat menambahkan variabel tambahan seperti faktor sosio‑ekonomi, riwayat kesehatan sebelumnya, dan biomarker laboratorium untuk meningkatkan kemampuan prediktif dan menilai kontribusi masing‑masing faktor terhadap risiko kehamilan; terakhir, pengembangan sistem keputusan klinis yang terintegrasi dengan rekam medis elektronik dan aplikasi seluler dapat dievaluasi melalui uji coba lapangan untuk mengukur dampak penggunaan secara real‑time terhadap penurunan angka kematian ibu dan peningkatan kepatuhan intervensi dini.

  1. Detection of Pregnancy Risk Level with Fuzzy Mamdani and Simple Additive Weighting Methods | Wulandari... jtsiskom.undip.ac.id/index.php/jtsiskom/article/view/13029Detection of Pregnancy Risk Level with Fuzzy Mamdani and Simple Additive Weighting Methods Wulandari jtsiskom undip ac index php jtsiskom article view 13029
  2. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. hasil klasifikasi algoritma random forest deteksi... doi.org/10.29207/resti.v5i1.2880Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i hasil klasifikasi algoritma random forest deteksi doi 10 29207 resti v5i1 2880
  3. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. analisis perbandingan algoritma optimasi random... jurnal.iaii.or.id/index.php/RESTI/article/view/2813Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i analisis perbandingan algoritma optimasi random jurnal iaii index php RESTI article view 2813
  1. #model random forest#model random forest
  2. #risiko kehamilan#risiko kehamilan
File size692.27 KB
Pages12
DMCAReportReport

ads-block-test