Abstract:
Risiko kehamilan merupakan kondisi yang perlu dideteksi sejak dini karena dapat
berdampak pada kesehatan ibu dan janin. Tingginya angka komplikasi kehamilan
menuntut adanya sistem yang mampu membantu tenaga kesehatan dalam
melakukan identifikasi tingkat risiko kehamilan secara cepat dan akurat. Penelitian
ini bertujuan untuk membangun model prediksi risiko kehamilan menggunakan
algoritma Categorical Boosting (CatBoost) berdasarkan variabel klinis ibu hamil.
Dataset yang digunakan diperoleh dari platform Kaggle dengan jumlah 1.014 data
yang terdiri dari fitur Age, SystolicBP, DiastolicBP, BS (Blood Sugar), BodyTemp,
dan HeartRate, serta target RiskLevel yang diklasifikasikan ke dalam tiga kategori
yaitu High Risk, Mid Risk, dan Low Risk. Proses penelitian meliputi tahap
preprocessing data, transformasi label menggunakan Label Encoding, pembagian
data dengan rasio 80% data latih dan 20% data uji, pelatihan model CatBoost, serta
evaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa model CatBoost mampu menghasilkan
akurasi sebesar 81,28% dalam mengklasifikasikan tingkat risiko kehamilan. Nilai
precision, recall, dan F1-score pada masing-masing kelas menunjukkan performa
yang cukup baik, dengan kelas High Risk memperoleh precision 0,85, recall 0,87,
dan F1-score 0,86. Hasil analisis feature importance menunjukkan bahwa fitur BS
(Blood Sugar) memiliki pengaruh terbesar terhadap prediksi risiko kehamilan
dengan nilai sebesar 32,58%, diikuti oleh Age sebesar 16,96% dan HeartRate
sebesar 15,18%. Berdasarkan hasil tersebut, algoritma CatBoost terbukti mampu
memberikan performa yang baik dalam memprediksi risiko kehamilan dan
berpotensi digunakan sebagai pendukung pengambilan keputusan dalam bidang
kesehatan.
