<![CDATA[Risiko kesehatan pada ibu hamil merupakan salah satu kondisi yang perlu dideteksi sejak dini karena berkaitan dengan kesehatan ibu dan janin. Penelitian ini bertujuan untuk membangun model klasifikasi risiko kesehatan ibu hamil menggunakan algoritma Extreme Gradient Boosting (XGBoost) berdasarkan data kondisi kesehatan ibu hamil. Dataset yang digunakan terdiri dari 12 variabel klinis, yaitu Usia (Age), Tekanan Darah Sistolik (Systolic Blood Pressure), Tekanan Darah Diastolik (Diastolic Blood Pressure), Kadar Gula Darah (Blood Sugar), Suhu Tubuh (Body Temperature), Indeks Massa Tubuh (Body Mass Index), Riwayat Komplikasi (Previous Complications), Riwayat Diabetes Sebelumnya (Preexisting Diabetes), Diabetes Kehamilan (Gestational Diabetes), Kesehatan Mental (Mental Health), Denyut Jantung (Heart Rate), Dan Kategori Risiko (Risk Level). Target Klasifikasi Terdiri Dari Dua Tingkat Risiko Kehamilan, Yaitu Low Risk (Risiko Rendah) Dan High Risk (Risiko Tinggi). Tahapan penelitian meliputi pengumpulan data, preprocessing data, pembagian dataset, pemodelan menggunakan XGBoost, evaluasi model, dan analisis feature importance. Hasil penelitian menunjukkan bahwa model XGBoost menghasilkan performa klasifikasi yang sangat baik dengan accuracy sebesar 99.16%, precision sebesar 0.979, recall sebesar 0.986, dan F1-Score sebesar 0.99. Hasil analisis feature importance menunjukkan bahwa variabel Blood Sugar, Gestational Diabetes, dan Preexisting Diabetes merupakan faktor yang paling berpengaruh terhadap tingkat risiko kesehatan ibu hamil. Berdasarkan hasil penelitian, algoritma XGBoost layak digunakan sebagai bagian dari sistem deteksi dini risiko kesehatan ibu hamil untuk membantu proses pengambilan keputusan dan pencegahan komplikasi secara lebih cepat dan tepat.]]>
Copyrights © 2026
