Pembangunan Model Pendeteksi Risiko Preeklamsia pada Ibu Hamil dengan Menggunakan Metode Data Mining
DOI:
https://doi.org/10.55893/jt.vol23no1.543Kata Kunci:
data mining, logistic regression, preeklamsiaAbstrak
Preeklamsia adalah komplikasi kehamilan yang diindikasikan dengan peningkatan tekanan darah yang terjadi setelah usia kehamilan 20 minggu serta keberadaan protein di dalam urine. Apabila tidak ditangani dengan cepat, preeklamsia dapat berujung pada kematian ibu dan janin. Oleh karena itu, diperlukan suatu metode yang dapat membantu para tenaga kesehatan untuk dapat memberikan deteksi awal penyakit preeklamsia yang diderita oleh ibu hamil. Salah satu metode yang dapat digunakan adalah metode data mining. Penelitian ini dilakukan dengan tujuan untuk mengembangkan model berdasarkan metode data mining yang dapat digunakan sebagai alat untuk mengidentifikasi pasien dengan preeklamsia dan juga untuk mengidentifikasi faktor risiko terkait. Penelitian dilakukan dengan menggunakan enam algoritma klasifikasi data mining pada 109 data pasien klinik kandungan di Rumah Sakit Islam Jakarta Pondok Kopi (RSIJPK). Fitur input yang digunakan sebagai atribut deteksi Preeklamsia diperoleh berdasarkan hasil studi literatur dan hasil konsultasi dengan dokter spesialis kandungan. Berdasarkan hasil evaluasi model, diperoleh logistic regression sebagai algoritma yang memiliki performansi terbaik dalam mendeteksi penyakit preeklamsia pada pasien kehamilan RSIJPK dengan nilai akurasi sebesar 98% dan tingkat presisi sebesar 100%. Selain itu, pada penelitian ini juga dirancang suatu prototipe aplikasi yang dapat digunakan oleh tenaga kesehatan untuk dapat mendeteksi risiko preeklamsia pada ibu hamil secara cepat.
Referensi
Baharuddin, M., Amelia, D., Suhowatsky, S., Kusuma, A., Suhargono, M. H., & Eng, B. (2019). Maternal death reviews: A retrospective case series of 90 hospital-based maternal deaths in 11 hospitals in Indonesia. International Journal of Gynecology and Obstetrics, 144, 59–64.
Chaemsaithong, P., Sahota, D. S., & Poon, L. C. (2022). First trimester preeclampsia screening and prediction. American Journal of Obstetrics and Gynecology, 226(2), 1071-1097.
Draelos, R. (2019). Measuring Performance: The Confusion Matrix. https://glassboxmedicine.com/2019/02/17/ measuring-performance-the-confusion-matrix/
Gholamy, A., Kreinovich, V., & Kosheleva, O. (2018). Why 70/30 or 80/20 relation between training and testing sets: A pedagogical explanation. https://scholarworks.utep.edu/cs_techrep/1209/
Chaemsaithong, P., Sahota, D. S., & Poon, L. C. (2022). First trimester preeclampsia screening and prediction. American Journal of Obstetrics and Gynecology, 226(2), 1071-1097.
Draelos, R. (2019). Measuring Performance: The Confusion Matrix. https://glassboxmedicine.com/2019/02/17/ measuring-performance-the-confusion-matrix/
Gholamy, A., Kreinovich, V., & Kosheleva, O. (2018). Why 70/30 or 80/20 relation between training and testing sets: A pedagogical explanation. https://scholarworks.utep.edu/cs_techrep/1209/
Hartini, E. (2016). Efficiency comparison of method of handling missing value in data evaluation system or component. Prosiding Seminar Nasional Teknologi Energi Nuklir 2016. https://karya.brin.go.id/id/eprint/1561/
Kustiyahningsih, Y., Mula’ab, & Hasanah, N. (2020). Metode Fuzzy ID3 untuk klasifikasi status preeklamsi ibu hamil. Teknika, 9(1), 74-80.
Maric, I., Tsur, A., Aghaeepour, N., Montanari, A., Stevenson, D. K., Shaw, G. M., & Winn, V. D. (2020). Early prediction of preeclampsia via machine learning. American Journal of Obstetrics & Gynecology MFM, 2(2), 100100.
Nair, A. (2021). Improve Your Hyperparameter Tuning Experience With The Random Search. https://towardsdatascience.com/improve-your-hyperparameter-tuning-experience-with-the-random-search-2c05d789175f
Niakšu, O. (2015). CRISP data mining methodology extension for medical domain. Baltic J. Modern Computing, 3(2), 92–109.
Obenshain, M. K. (2004). Application of data mining techniques to healthcare data. Infection control and hospital epidemiology, 25(8), 690–695.
Pittara. (2022). Preeklamsia. https://www.alodokter.com/preeklamsia
Poon, L. C., & Nicolaides, K. H. (2014). Early prediction of preeclampsia. Obstetrics and Gynecology International, 2014, 1–11.
Prabhakaran, S. (2023). Train test split - How to split data into train and test for validating machine learning models? https://www.machinelearningplus.com/machine-learning/train-test-split/
Roberts, J. M., & Gammill, H. S. (2005). Preeclampsia. Hypertension, 46(6), 1243–1249.
Silwattananusarn, T., & KuthidaTuamsuk, A. (2012). Data mining and its applications for knowledge management: A literature review from 2007 to 2012. International Journal of Data Mining & Knowledge management Process (IJDKP), 2(5). https://doi.org/10.5121/ijdkp.2012.2502
Subramanian, J., & Simon, R. (2013). Overfitting in prediction models – is it a problem only in high dimensions? Contemporary Clinical Trials, 36(2), 636–641.
Sufriyana, H., Wu, Y.-W., & Su, E. C.-Y. (2020). Artificial Intelligence-assisted prediction of preeclampsia: Development and external validation of a nationwide health insurance dataset of the BPJS kesehatan in Indonesia. EBioMedicine, 54, 102710.
World Health Organization. (2023). Maternal mortality. https://www.who.int/news-room/fact-sheets/detail/maternal-mortality
Ying, X. (2019). An overview of overfitting and its solutions. Journal of Physics: Conference Series, 1168, 022022.
Zhang, J., Han, L., Li, W., Chen, Q., Lei, J., Long, M., Yang, W., Li, W., Zeng, L., & Zeng, S. (2019). Early prediction of preeclampsia and small-for-gestational-age via multi-marker model in Chinese pregnancies: A prospective screening study. BMC Pregnancy and Childbirth, 19(1).
File Tambahan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Muhammad Ilham, Ni Luh Saddhwi Saraswati Adnyani, Kadarsah Suryadi
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang menyerahkan artikel di Jurnal Teknik: Media Pengembangan dan Aplikasi Teknik untuk keperluan publikasi telah mengetahui bahwa Jurnal Teknik: Media Pengembangan dan Aplikasi Teknik memberikan akses terbuka terhadap konten untuk mendukung pertukaran informasi mengenai ilmu pengetahuan, sesuai dengan penerbitan daring yang berbasis Open Access Journal dan mengikuti Creative Commons Attribution 4.0 International License. Sehingga penulis setuju dengan ketentuan-ketentuan berikut:
1. Penulis memegang hak cipta dan memberikan hak publikasi pertama kepada pihak jurnal dengan pekerjaan secara bersamaan
di bawah Creative Commons Attribution 4.0 International License yang memungkinkan orang lain untuk berbagi pekerjaan
dengan pengakuan kepengarangan karya dan publikasi pertama artikel tersebut di Jurnal Teknik: Media Pengembangan dan
Aplikasi Teknik.
2. Penulis dapat melakukan perjanjian tambahan untuk hak distribusi non-eksklusif artikel yang telah diterbitkan di jurnal ini
(misalnya, posting ke sebuah repositori institusi atau menerbitkannya dalam sebuah buku), dengan mengakui bahwa
publikasi pertama dilakukan di Jurnal Teknik: Media Pengembangan dan Aplikasi Teknik.
3. Penulis diizinkan dan didorong untuk menyebarkan karya mereka secara daring (misalnya, dalam repositori institusi atau
laman web penulis) setelah artikel terbit (proses penerbitan artikel selesai). Hal ini terkait dengan imbas dari pertukaran
informasi yang produktif (Lihat Pengaruh Open Access).
