KLASIFIKASI PENYAKIT PREEKSLAMSIA PADA IBU HAMIL MENGGUNAKAN PERBANDINGAN ALGORITMA MACHINE LEARNING

Abstract

Preeklampsia merupakan salah satu komplikasi kehamilan yang berpotensi mengancam keselamatan ibu dan janin apabila tidak terdeteksi secara dini. Kondisi ini memerlukan pendekatan analisis yang cepat dan tepat, terutama pada fasilitas kesehatan dengan keterbatasan sumber daya. Penelitian ini memanfaatkan pendekatan machine learning untuk membangun model klasifikasi risiko preeklampsia melalui analisis data kesehatan maternal. Data diperoleh dari dataset publik Kaggle dan diolah melalui beberapa tahapan, meliputi pra-proses data, pembagian data menjadi 80% untuk pelatihan dan 20% untuk pengujian, serta penerapan beberapa algoritma klasifikasi. Model yang dibandingkan dalam penelitian ini meliputi Logistic Regression, K-Nearest Neighbor, Decision Tree, Random Forest,  dan Support Vector Machine. Hasil evaluasi menunjukkan bahwa algoritma Decision Tree dan Random Forest memiliki performa paling baik dengan akurasi di atas 87%, sedangkan Logistic Regression menjadi model dengan akurasi terendah. Temuan ini menunjukkan bahwa metode berbasis pohon keputusan lebih sesuai untuk memetakan pola risiko preeklampsia berdasarkan variabel klinis. Penelitian ini diharapkan dapat mendukung pengembangan dalam mendeteksi risiko preeklampsia secara lebih efektif.