PREDIKSI RISIKO KEHAMILAN BERDASARKAN VARIABEL KLINIS MENGGUNAKAN ALGORITMA CATBOOST

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.