RAHMA DEVI, - (2026) PREDIKSI RISIKO KESEHATAN PADA IBU HAMIL MENGGUNAKAN ALGORITMA MACHINE LEARNING. Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

Preview	Text (bab gabungan) File Lengkap Tanpa BAB 4 - Rahma Devi - RAHMA DEVI SISTEM INFORMASI.pdf Download (9MB) | Preview
	Text (bab hasil) Rahma Devi - BAB 4 - RAHMA DEVI SISTEM INFORMASI.pdf Restricted to Repository staff only Download (443kB)
Preview	Text (surat publikasi) Surat persetujuan publikasi TA - RAHMA DEVI SISTEM INFORMASI.pdf Download (527kB) | Preview

Abstract

Kehamilan merupakan periode yang membutuhkan pemantauan kesehatan secara intensif guna mencegah berbagai risiko yang dapat membahayakan ibu maupun janin. Tingginya angka kematian ibu di Indonesia menunjukkan pentingnya upaya deteksi dini terhadap risiko kehamilan untuk meningkatkan kualitas pelayanan kesehatan. Teknologi machine learning menawarkan pendekatan prediktif yang efektif dalam mendukung proses identifikasi risiko secara lebih akurat dan cepat. Penelitian ini bertujuan untuk membandingkan performa lima algoritma machine learning, yaitu Logistic Regression, Decision Treec45, Random Forest, Support Vector Machine (SVM), dan Naive Bayes dalam memprediksi tingkat risiko kehamilan. Metode yang digunakan adalah hold-out validation dengan proporsi data 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi sebesar 93.42%, serta nilai presisi 93.37, recall 93.42%, dan F1-score yang juga mencapai 93.30%. Decision Tree c4.5 berada pada peringkat kedua dengan akurasi 93.15%, sementara SVM memperoleh akurasi 81.92%, Logistic Regression 75.89%, dan Naive Bayes 72.33%. Temuan ini menegaskan bahwa Random Forest merupakan algoritma yang paling optimal untuk prediksi risiko kehamilan. Penelitian ini diharapkan dapat menjadi dasar bagi pengembangan sistem pendukung keputusan berbasis machine learning guna meningkatkan efektivitas pelayanan kesehatan bagi ibu hamil. Kata Kunci: Kalsifikasi, Kesehatan ibu, Machine learning, Risiko kehamilan, Random Forest

Actions (login required)

View Item