<![CDATA[Periode neonatal, khususnya dalam 24 jam pertama kehidupan, merupakan fase kritis dengan risiko morbiditas dan mortalitas tinggi. Identifikasi pola klinis yang membedakan neonatus usia ≤1 hari dan >1 hari penting untuk mendukung pengambilan keputusan klinis berbasis data. Tujuan penelitian ini yaitu membandingkan performa beberapa algoritma machine learning dalam mengklasifikasikan usia neonatus serta mengidentifikasi faktor klinis yang paling berkontribusi. Penelitian analitik observasional ini menggunakan data sekunder rekam medis neonatus sebanyak 41 kasus di rumah sakit X di kota Semarang. Variabel prediktor meliputi jenis kelamin, usia gestasi, berat badan, tinggi badan, jumlah diagnosa sekunder, diagnosa utama, dan cara melahirkan. Lima algoritma diuji: Logistic Regression, Support Vector Machine (RBF), Random Forest, HistGradientBoosting, dan XGBoost. Evaluasi dilakukan menggunakan Stratified K-Fold Cross Validation dengan metrik akurasi, presisi makro, recall makro, dan F1 score. Analisis faktor terpenting dilakukan menggunakan Random Forest. Random Forest menunjukkan performa terbaik dengan akurasi 0,686 dan F1 tertimbang 0,610 ± 0,182. HistGradientBoosting dan SVM mencapai akurasi 0,657, sedangkan Regresi Logistik dan XGBoost masing-masing 0,595 dan 0,557. Usia gestasi merupakan faktor paling berpengaruh, diikuti tinggi badan, jumlah diagnosa sekunder, dan berat badan. Beberapa diagnosa utama terkait gangguan pernapasan juga termasuk dalam faktor penting. Random Forest memberikan kombinasi akurasi dan stabilitas terbaik dalam memprediksi usia kematian bayi baru lahir.]]>
Copyrights © 2026
