Klasifikasi Risiko Kesehatan Ibu Hamil Menggunakan Random Forest dan Analisis Feature Importance

Abstract

Kualitas kesehatan ibu merefleksikan efektivitas pelayanan kesehatan, khususnya dalam mengenali potensi risiko sejak masa kehamilan untuk mengurangi kemungkinan komplikasi pada proses kehamilan dan persalinan. Berdasarkan kebutuhan tersebut, penelitian ini menerapkan algoritma Random Forest untuk mengklasifikasikan risiko kesehatan ibu dan menggunakan analisis feature importance guna mengidentifikasi faktor-faktor dominan yang berkontribusi terhadap tingkat risiko. Dataset yang digunakan adalah Maternal Health Risk dataset dari UCI Machine Learning Repository yang terdiri dari 1.014 data dengan atribut meliputi kadar gula darah, tekanan darah sistolik, usia, denyut jantung, tekanan darah diastolik, dan suhu tubuh, dan target klasifikasi terdiri atas tiga kelas risiko, yaitu risiko rendah (low risk), risiko sedang (mid risk), dan risiko tinggi (high risk). Metodologi penelitian mencakup tahap prapemrosesan data, pembagian data (80:20), pelatihan model, serta evaluasi menggunakan confusion matrix, akurasi, presisi, recall, dan F1-score. Hasil pengujian terhadap 203 data uji menunjukkan bahwa model Random Forest mencapai akurasi sebesar 83%, dengan macro-precision sebesar 0,84, macro-recall sebesar 0,84, dan macro-F1 sebesar 0,83. Analisis feature importance mengungkapkan bahwa kadar gula darah dan tekanan darah sistolik merupakan faktor yang paling berpengaruh dalam menentukan tingkat risiko kesehatan ibu. Hasil penelitian mengidentifikasi faktor prediktif dominan yang dapat menjadi dasar pengembangan sistem pendukung keputusan untuk skrining awal risiko kesehatan ibu hamil, dengan fungsi sebagai alat bantu dan bukan sebagai pengganti pemeriksaan atau keputusan klinis tenaga kesehatan.