Sistem Klasifikasi Level Risiko Preeklamsia Menggunakan Algoritma Machine Learning untuk Deteksi Dini Preeklamsia pada Masa Kehamilan

Abstract

Preeklamsia adalah komplikasi serius yang dapat terjadi selama kehamilan dan mempengaruhi sekitar 5-8% dari total kehamilan di seluruh dunia. Ini meningkatkan risiko penyakit dan kematian pada janin dan ibu hamil, terutama di daerah dengan tingkat perkembangan ekonomi yang rendah. Di Indonesia, preeklamsia merupakan salah satu penyebab utama kematian ibu hamil. Preeklamsia bukan merupakan suatu komplikasi kehamilan yang timbul secara tiba-tiba. Oleh karena itu deteksi dini preeklamsia sangat penting bagi ibu hamil, terutama sebelum usia kehamilan 20 minggu. Di Indonesia, sistem deteksi dini saat ini menggunakan buku KIA yang hanya mengandalkan kunjungan Antenatal Care (ANC). Cara terbaru untuk mendeteksi dini adalah menggunakan kecerdasan buatan yaitu machine learning melalui prediksi secara cepat dan akurat berdasarkan pembelajaran berbasis data. Tujuan penelitian ini adalah untuk mengembangkan sistem deteksi dini preeklamsia yang dapat memprediksi tingkat risiko preeklamsia pada ibu hamil menggunakan metode machine learning. Penelitian ini bertujuan untuk membantu tenaga kesehatan dan kader posyandu dalam mendeteksi sedini mungkin risiko preeklamsia pada masa kehamilan, dengan harapan dapat menurunkan angka kematian ibu di Indonesia. Penelitian ini menggunakan pendekatan machine learning dengan metode Random Forest, Decision Tree, dan K-Nearest Neighbor untuk mengembangkan model deteksi dini preeklamsia. Dataset penelitian berasal dari 2.040 data kohort ibu hamil di 4 Puskesmas yaitu Puskesmas Silo 1, Sukowono, Sumbersari, Kaliwates yang berada di Kabupaten Jember, Jawa Timur. Data yang digunakan meliputi faktor risiko preeklamsia pada ibu hamil seperti tinggi badan, berat badan, tekanan darah, usia, paritas, serta riwayat hipertensi dan preeklamsia. Hasil penelitian menunjukkan bahwa model Random Forest berhasil memberikan hasil yang baik, mengatasi ketidakseimbangan data dengan akurasi 99.40%, presisi 98.46%, sensitivitas 100%, spesifisitas 99,22%, dan F1-score 99.03% dengan atribut paling penting mempengaruhi klasifikasi adalah riwayat preeklamsia. Prototipe sistem klasifikasi risiko preeklamsia didesain dengan fitur fitur seperti kolom input data terintegrasi dengan model machine learning, dan proses deployment menggunakan Streamlit Cloud yang terhubung dengan GitHub repository. Fitur-fitur lainnya termasuk fitur sidebar untuk akses menu, dan kolom input dengan fitur limitasi untuk mengurangi kesalahan input data. Proses integrasi antara kolom input dan model machine learning menggunakan fitur button dari Streamlit, sehingga pengguna hanya perlu menekan tombol setelah menginput data untuk melihat hasil klasifikasi dalam waktu kurang dari 3 detik. Hasil penelitian ini disimpulkan bahwa indikator faktor risiko preeklamsia pada masa kehamilan telah dianalisis, sistem klasifikasi level risiko preeklamsia menggunakan machine learning berhasil dikembangkan, dan prototype website untuk sistem klasifikasi telah berhasil diimplementasikan. Penelitian ini memiliki potensi untuk membantu tenaga kesehatan dan kader posyandu dalam mendeteksi sedini mungkin risiko preeklamsia pada masa kehamilan, dengan harapan dapat menurunkan angka kematian ibu di Indonesia.