KLASIFIKASI RISIKO GIZI BURUK PADA IBU HAMIL MENGGUNAKAN METODE RANDOM FOREST

Fanny Ramadhani; Dian Septiana; Sisti Nadia Amalia; Putri Maulidina Fadilah; Andy Satria

doi:10.46576/djtechno.v5i2.4815

KLASIFIKASI RISIKO GIZI BURUK PADA IBU HAMIL MENGGUNAKAN METODE RANDOM FOREST

Fanny Ramadhani, Dian Septiana, Sisti Nadia Amalia, Putri Maulidina Fadilah, Andy Satria

Abstract

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.

Keywords

Ibu hamil, Resiko gizi buruk, Random Forest, Data Demografi, Pola Makan.

Full Text:

PDF

References

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

DOI: https://doi.org/10.46576/djtechno.v5i2.4815