Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Masdy, Pedro
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Early Prediction of Perinatal Depression Risk Among Pregnant Women Using Random Forest and XGBoost Algorithms: Prediksi Risiko Dini Depresi Perinatal Pada Ibu Hamil Menggunakan Algoritme Random Forest dan Xgboost Cholidhazia, Putri; Masdy, Pedro; Priyatno, Arif Mudi
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 2 (2026): Maret - Juni
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i2.9010

Abstract

Depresi pada ibu hamil dapat diartikan sebagai gangguan mental yang muncul dengan gejala suasana hati yang tertekan, kehilangan minat, kelelahan, gangguan tidur, mudah lupa, lekas emosi dan marah serta penurunan fungsi fisik dan kognitif. Beberapa penyebab terjadinya depresi pada ibu hamil yaitu kurangnya dukungan suami dan keluarga saat hamil, kekerasan rumah tangga serta masalah ekonomi. Prevalensi gejala depresi pasca persalinan mencapai 31,8%, menjadikan Indonesia sebagai salah satu negara dengan tingkat risiko depresi pasca persalinan tertinggi di kawasan Asia. Oleh karena itu deteksi dini depresi perinatal menjadi sangat penting untuk mencegah perkembangan buruk pada janin yang dapat mengancam jiwa. Penelitian ini bertujuan untuk memprediksi risiko dini perinatal pada ibu hamil menggunakan algoritma Random Forest dan XGBoost. Tahapan penelitian ini terdiri atas pengumpulan data, persiapan data, splitting data, imbalanced data dengan metode SMOTE, pemodelan dan pengujian. Dataset yang digunakan yaitu data sekunder kesehatan mental ibu hamil yang memuat data psikologis, demografis, dan sosial ibu hamil yang berjumlah 14.008 data. Pembagian dataset untuk pemodelan dan pengujian di splitting dengan persentase 80% data latih dan 20% data uji. Hasil pengujian menunjukkan XGBoost dapat mencapai performa yang baik dengan nilai akurasi 97.00%, precision 97.00%, recall 96.00% dan f1-score 97.00% dibandingkan Random Forest dengan nilai akurasi 96.00%, precision 96.00%, recall 93.00% dan f1-score 97.00%.
Co-Authors Arif Mudi Priyatno Cholidhazia, Putri