Penerapan Algoritma Decision Tree dalam Pengklasifikasian Tingkat Risiko Ibu Hamil Berdasarkan Kartu Skor Poedji Rochjati (KSPR)
Dyah Megawati Surip Solekhah, Dr.techn. Annisa Maulida Ningtyas, S.Kom., M.Eng.
2025 | Tugas Akhir | D4 MANAJEMEN INFORMASI KESEHATAN
Latar Belakang:
Angka kematian ibu (AKI) masih menjadi tantangan serius di Indonesia dengan
peningkatan jumlah kematian ibu hamil yang signifikan dalam beberapa tahun
terakhir. Salah satu penyebabnya adalah keterlambatan dalam mendeteksi risiko
kehamilan. Kartu Skor Poedji Rochjati (KSPR) digunakan sebagai metode skrining
risiko kehamilan, tetapi pencatatan manual yang masih digunakan berpotensi
menimbulkan kesalahan dan keterbatasan analisis. Oleh karena itu, diperlukan
solusi digital berbasis teknologi yang mampu meningkatkan efisiensi dan akurasi
deteksi dini risiko kehamilan.
Tujuan: Membuat dan mengevaluasi model klasifikasi tingkat risiko kehamilan menggunakan algoritma Decision Tree berdasarkan KSPR
Metode: Penelitian
ini merupakan studi deskriptif kuantitatif menggunakan pendekatan cross-sectional.
Data yang digunakan adalah Maternal Health and High-Risk Pregnancy Dataset
dari IEEE Dataport yang telah dilabeli ulang sesuai KSPR. Model dikembangkan
menggunakan algoritma Decision Tree dan dioptimalkan dengan metode SMOTE.
Evaluasi dilakukan berdasarkan akurasi, precision, recall, F1-score,
dan confusion matrix.
Hasil: Penerapan metode SMOTE berhasil memperbaiki distribusi kelas dan meningkatkan kemampuan model dalam mengenali kelas risiko tinggi.
Kesimpulan: Model Decision Tree yang dioptimalkan dengan SMOTE mencapai F1-score Weighted Average sebesar 0,79 dengan recall 100% untuk kelas Kehamilan Risiko Sangat Tinggi (KRST). Variabel posisi janin merupakan faktor paling dominan dalam klasifikasi.
Background: The
maternal mortality rate (MMR) remains a significant challenge in Indonesia,
with a notable increase in maternal deaths in recent years. A key contributing
factor is the delay in detecting pregnancy risks. The Poedji Rochjati Score
Card (KSPR) is a standard screening method, but its continued manual
application is prone to errors and analytical limitations. This necessitates a
digital, technology-based solution to improve the efficiency and accuracy of
early high-risk pregnancy detection.
Objective: This
study aims to make and evaluate a classification model for pregnancy risk
levels based on the KSPR using a Decision Tree algorithm.
Methods: This
quantitative descriptive study employed a cross-sectional design. Data were
sourced from the Maternal Health and High-Risk Pregnancy Dataset on IEEE
Dataport, which were re-labeled according to KSPR categories. A Decision Tree
model was developed and subsequently optimized using the Synthetic Minority
Over-sampling Technique (SMOTE) to address class imbalance. The model's
performance was evaluated using accuracy, precision, recall, F1-score, and a
confusion matrix.
Results: The application of SMOTE successfully balanced the class distribution, significantly enhancing the model's ability to identify high-risk classes.
Conclusion: The SMOTE-optimized Decision Tree model achieved a weighted average F1-score of 0.79. Critically, it attained 100% recall for the Very High-Risk Pregnancy (KRST) class, indicating its effectiveness in identifying the most severe cases. Fetal position was identified as the most dominant factor in the classification model.
Kata Kunci : klasifikasi, Decision Tree, KSPR, kehamilan risiko tinggi, CDSS, machine learning
