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

Abstract

Preeklampsia adalah komplikasi serius yang mempengaruhi kehamilan di seluruh dunia. Hal ini menimbulkan risiko yang signifikan bagi ibu dan janin, terutama di ekonomi yang kurang beruntung seperti Indonesia, di mana preeklampsia merupakan penyebab utama kematian ibu. Deteksi dini sebelum usia kehamilan 20 minggu sangatlah penting, namun saat ini masih mengandalkan metode yang sudah ketinggalan zaman seperti kunjungan ANC yang didokumentasikan dalam buku KIA. Untuk mengatasi masalah ini, sebuah penelitian dilakukan untuk mengembangkan sistem deteksi dini berbasis pembelajaran mesin untuk penilaian risiko preeklampsia. Penelitian ini menganalisis dataset kohort dari 2.040 ibu hamil dari empat Puskesmas di Jember, Jawa Timur, dengan menggunakan metode Random Forest, Decision Tree, dan K-Nearest Neighbor. Faktor-faktor yang dianalisis meliputi tinggi badan, berat badan, tekanan darah, usia, paritas, dan riwayat kesehatan. Model Random Forest yang dihasilkan memberikan akurasi tertinggi (99,40%), presisi (98,46%), sensitivitas (100%), spesifisitas (99,22%), dan F1-score (99,03%). Berdasarkan temuan ini, sebuah prototipe sistem klasifikasi dikembangkan, merampingkan input dan output melalui Streamlit Cloud dan GitHub. Penelitian ini memberikan analisis komprehensif tentang faktor risiko preeklampsia, dan berhasil berhasil mengembangkan sistem klasifikasi berbasis pembelajaran mesin. Sistem ini memiliki potensi untuk mengurangi angka kematian ibu di Indonesia dengan membantu petugas kesehatan dan petugas kesehatan masyarakat dalam melakukan identifikasi yang cepat.