PERANCANGAN APLIKASI DETEKSI RISIKO TINGGI PADA KEHAMILAN MENGGUNAKAN ALGORITMA RANDOM FOREST BERBASIS MOBILE DI DESA BOLOPLERET KABUPATEN KLATEN
Keywords:
Risiko Tinggi, Kehamilan, Kader, Pembelajaran MesinAbstract
Risiko tinggi kehamilan adalah suatu kehamilan yang
memiliki risiko lebih besar dari biasanya (baik bagi ibu maupun
bayinya), dan dapat terjadinya penyakit atau kecacatan maupun
kematian sebelum ataupun sesudah persalinan. Risiko tinggi
kehamilan ini dapat membahayakan ibu maupun bayi yang
sedang dikandung, karena dampaknya yang besar seperti
kematian pada ibu atau bayi. Kasus kematian ibu hamil di
Indonesia pada tahun 2017 yaitu sebesar 177 setiap 100.000
kelahiran. Jumlah ini lebih besar jika dibandingkan negara
ASEAN lainnya seperti Malaysia yaitu sebesar 29 setiap
100.000 kelahiran dan Thailand yaitu sebesar 37 setiap 100.000
kelahiran Program one client one kader ini merupakan
pelibatan kader dalam upaya pemantauan dan pendampingan
ibu hamil yang dalam pelaksanaannya satu kader hanya
mendampingi satu ibu hamil yang berbasis dalam kewilayahan
Di desa Bolopleret, pelaksanaan program one client one kader
dilaksanakan dengan sangat baik. Namun pelaksanaan program
ini masih dilakukan secara manual. Oleh karena itu, dengan
perkembangan teknologi diharapkan dapat membantu
mempercepat proses pendeteksian risiko tinggi ibu hamil. Salah
satu teknologi yang dapat
References
Bi,Qifang, et.al . 21 Oktober 2019. What is Machine Learning? A
Primer for the Epidemiologist. American Journal of
Epidemiology.Volume 188, Issue 12. Pages 2222–2239
Menpan.go.id. 12 September 2019.Kurangi Angka Kematian Ibu
dan Bayi dengan OCeOKeSiasat Keren. Diakses pada 9 Maret
Serayunews.com. 23 April 2023.Banjarnegara Punya Program
OCeOKe, Apa Itu?.Diakses pada 9 Maret 2022.
https://serayunews.com/banjarnegara-punya-program-oce-okeapa-itu/.
Sheykhmousa, Mohammadrezadkk. (2020). Support Vector
Machine Versus Random Forest for Remote Sensing Image
Classification: A Meta-Analysis and Systematic Review. in IEEE
Journal of Selected Topics in Applied Earth Observations and
Remote Sensing. vol. 13. pp. 6308-6325
Srinivasaiah, Raghavendra & Jankatti, Santosh. (2020).
Performance evaluation of random forest with feature selection
methods in prediction of diabetes. International Journal of
Electrical and Computer Engineering (IJECE). 10. 353.
11591/ijece.v10i1. pp353-359.
Sukamto, R. A., & Shalahuddin, M. (2018). Rekayasa Perangkat
Lunak. Informatika.
Suryanegara, Gde & Adiwijaya, Kang & Purbolaksono, Mahendra.
(2021). Peningkatan Hasil Klasifikasi pada Algoritma Random
Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan
Metode Normalisasi. Jurnal RESTI (Rekayasa Sistem dan
Teknologi Informasi). 5. 114-122. 10.29207/resti.v5i1.2880.
Yiu,Tony. 12Juni 2019. Understanding Random Forest How the
Algorithm Works and Why it Is so Effective.
Yohannes, Yohannes & Devella, Siska & Pandrean, Ade. (2020).
Penerapan Speeded-Up Robust Feature pada Random Forest
Untuk Klasifikasi Motif Songket Palembang. 5. 360-369.
28932/jutisi.v5i3.1978.