Pembangunan Model Pendeteksi Risiko Preeklamsia pada Ibu Hamil dengan Menggunakan Metode Data Mining

Penulis

  • Muhammad Ilham Institut Teknologi Bandung
  • Ni Luh Saddhwi Saraswati Adnyani Institut Teknologi Bandung
  • Kadarsah Suryadi Institut Teknologi Bandung

DOI:

https://doi.org/10.55893/jt.vol23no1.543

Kata Kunci:

data mining, logistic regression, preeklamsia

Abstrak

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.

Biografi Penulis

  • Muhammad Ilham, Institut Teknologi Bandung

    Program Studi Teknik Industri

  • Ni Luh Saddhwi Saraswati Adnyani, Institut Teknologi Bandung

    Program Studi Teknik Industri

  • Kadarsah Suryadi, Institut Teknologi Bandung

    Program Studi Teknik Industri

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

2024-06-19

Cara Mengutip

Pembangunan Model Pendeteksi Risiko Preeklamsia pada Ibu Hamil dengan Menggunakan Metode Data Mining. (2024). Jurnal Teknik: Media Pengembangan Ilmu Dan Aplikasi Teknik, 23(1), 50-60. https://doi.org/10.55893/jt.vol23no1.543

Artikel Serupa

11-20 dari 55

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.