KLASIFIKASI RISIKO GIZI BURUK PADA IBU HAMIL MENGGUNAKAN METODE RANDOM FOREST
DOI:
https://doi.org/10.46576/djtechno.v5i2.4815Kata Kunci:
Ibu hamil, Resiko gizi buruk, Random Forest, Data Demografi, Pola Makan.Abstrak
Penelitian ini bertujuan untuk mengidentifikasi ibu hamil yang berisiko mengalami gizi buruk menggunakan metode klasifikasi machine learning, khususnya Random Forest, dengan memanfaatkan data dari RISKESDAS 2018. Dataset yang digunakan mencakup informasi demografi dan pola makan, termasuk usia, pendidikan, pekerjaan, status ekonomi, pola makan, dan akses ke layanan kesehatan. Data tersebut diolah melalui proses preprocessing yang meliputi penanganan nilai yang hilang, transformasi variabel kategori menggunakan OneHotEncoder, dan normalisasi fitur numerik. Model Random Forest kemudian dilatih dan dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score, serta confusion matrix untuk memahami kinerja klasifikasi. Hasil penelitian menunjukkan bahwa model Random Forest memiliki akurasi sebesar 0.67, precision sebesar 0.6, recall sebesar 0.67, dan F1-score sebesar 0.63 dalam mengklasifikasikan risiko gizi buruk pada ibu hamil. Confusion matrix memperlihatkan distribusi prediksi yang benar dan salah, sedangkan feature importance analysis mengidentifikasi fitur pola makan dan status ekonomi sebagai yang paling berpengaruh dalam prediksi risiko gizi buruk. Model Random Forest ini dapat digunakan sebagai alat yang efektif untuk mengidentifikasi ibu hamil yang berisiko tinggi mengalami gizi buruk, memungkinkan intervensi dini dan terarah dalam program kesehatan ibu hamil, sehingga dapat membantu meningkatkan kesehatan ibu dan anak. Penelitian ini juga menyediakan dasar untuk studi lanjutan yang dapat menggunakan dataset yang lebih luas dan beragam untuk memperbaiki akurasi dan generalisasi model.Referensi
Adriati, F., & Chloranyta, S. (2022). Status Gizi Ibu Hamil Berdasarkan Pengukuran Lingkar Lengan Atas (LILA). Jurnal Kesehatan Panca Bhakti Lampung, 10(2), 127. https://doi.org/10.47218/jkpbl.v10i2.194
Agung, A., Daniswara, A., Kadek, I., & Nuryana, D. (2023). Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru. Journal of Informatics and Computer Science, 05.
Ediyono, S. (2023). Dampak Kurangnya Nutrisi Pada Ibu Hamil Terhadap Risiko Stunting Pada Bayi Yang Dilahirkan. In Jurnal Ilmu Keperawatan dan Kebidanan (Vol. 14, Issue 1).
Fitri Salsabilla Arianti, D., Arum, L., Burhanudin, M., Yani Yogyakarta, A., & Siliwangi Ringroad Barat, J. (2023). Analisis Prediksi Kematian Pasien Covid-19 di Meksiko Menggunakan Algoritma Random Forest. In Indonesian Journal on Data Science (Vol. 1, Issue 2). https://ejournal.unjaya.ac.id/index.php/ijds
Genç, B., & Tunç, H. (2019). Optimal training and test sets design for machine learning. Turkish Journal of Electrical Engineering and Computer Sciences, 27(2), 1534–1545. https://doi.org/10.3906/elk-1807-212
Kohsasih, K. L., Situmorang, Z., & Artikel, I. (2022). Analisis Perbandingan Algoritma C4.5 Dan Naïve Bayes Dalam Memprediksi Penyakit Cerebrovascular. JURNAL INFORMATIKA, 9(1), 13–17. http://ejournal.bsi.ac.id/ejurnal/index.php/ji
Maghfiroh, A., Findawati, Y., & Indahyanti, U. (2023). Klasifikasi Penipuan pada Rekening Bank menggunakan Pendekatan Ensemble Learning. Building of Informatics, Technology and Science (BITS), 4(4). https://doi.org/10.47065/bits.v4i4.3212
Sari, I. P., Al-Khowarizmi, Ramadhani, F., Satria, A., & Sulaiman, O. K. (2023). Leukocoria Identification: A 5-Fold Cross Validation CNN and Adaboost Hybrid Approach. 6th International Seminar on Research of Information Technology and Intelligent Systems, ISRITI 2023 - Proceeding, 486–491. https://doi.org/10.1109/ISRITI60336.2023.10467242
Satria, A., Sitompul, O. S., & Mawengkang, H. (2021). 5-Fold Cross Validation on Supporting K-Nearest Neighbour Accuration of Making Consimilar Symptoms Disease Classification. Proceedings - 2nd International Conference on Computer Science and Engineering: The Effects of the Digital World After Pandemic (EDWAP), IC2SE 2021. https://doi.org/10.1109/IC2SE52832.2021.9792094
Supriyadi, R., Gata, W., Maulidah, N., Fauzi, A., Komputer, I., & Nusa Mandiri Jalan Margonda Raya No, S. (2020). Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah. 13(2), 67–75. http://journal.stekom.ac.id/index.php/E-Bisnis■page67
sutarto, sutarto, Oktarlina, R. Z., Adila, N. T. H., & Indriyani, R. (2022). Status Kesehatan Anak Stunting Indonesia (Analisa Data Riskesdas 2018). Jurnal Dunia Kesmas, 11(2). https://doi.org/10.33024/JDK.V11I2.6930
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Pernyataan Hak Cipta dan Lisensi
- Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
- Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
- Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
- Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.
