<![CDATA[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.]]>
Copyrights © 2025
