Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JURNAL PENDIDIKAN TAMBUSAI
Muhamad Rafly Ramadhani
Teknologi Informasi, Universitas Bina Sarana Informatika
Social Sciences

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

Found 1 Documents
Search

 1 
Prediksi Tingkat Resiko Kesehatan Maternal Menggunakan Algoritma Pohon Keputusan C4.5 Achmad Zaidan; Balvas Mubarok; Muhamad Rafly Ramadhani; Wisti Dwi Septiani; Syaifur Rahmatullah Abdul R
Jurnal Pendidikan Tambusai Vol. 10 No. 1 (2026)
Publisher : LPPM Universitas Pahlawan Tuanku Tambusai, Riau, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jptam.v10i1.36074

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi tingkat risiko kesehatan maternal menggunakan algoritma pohon keputusan C4.5. Risiko komplikasi pada ibu hamil merupakan isu penting dalam pelayanan kesehatan, sehingga deteksi dini diperlukan untuk menurunkan morbiditas dan meningkatkan tindakan pencegahan. Data yang digunakan mencakup parameter fisiologis seperti tekanan darah sistolik, tekanan darah diastolik, kadar gula darah, suhu tubuh, detak jantung, dan usia ibu. Algoritma C4.5 diterapkan untuk membangun model klasifikasi yang membagi tingkat risiko menjadi kategori low risk, mid risk, dan high risk. Hasil pengujian menunjukkan bahwa model mencapai akurasi 73,67%, dengan kinerja yang baik pada kategori risiko rendah dan tinggi, meskipun prediksi pada kelas menengah masih memerlukan optimalisasi. Pohon keputusan yang dihasilkan menunjukkan bahwa tekanan darah sistolik dan kadar gula darah merupakan penentu utama dalam klasifikasi risiko maternal. Temuan ini menunjukkan bahwa algoritma C4.5 mampu memberikan model prediksi yang interpretatif dan cukup andal untuk membantu proses pengambilan keputusan klinis. Penelitian selanjutnya dapat meningkatkan performa dengan mengatasi ketidakseimbangan kelas serta menerapkan pendekatan hybrid machine learning.
Co-Authors Achmad Zaidan Balvas Mubarok Syaifur Rahmatullah Abdul R Wisti Dwi Septiani