Presented by : Kelompok 2
Kelas : B
ANGGOTA
KELOMPOK
• LAODE IKHWANUL UZLAH | E1E122017
• MAHDI MARKUN | E1E122018
• MUHAMMAD IQBAL BUSTANG PANRE | E1E122021
• MUJIB CHUSNI MUBAROK | E1E122022
• FAISAL AKYAR | E1E122050
• FARRAS SIDA TORUNTJU | E1E122052
• I NYOMAN ADITIA | E1E122057
• IRFAN | E1E122058
• AHMAD AL AMBIYAH | E1E122098
• NURENDRO HARDJO JUDANTO | E1E122133
• RAFLY AHMAD ZAINUR | E1E1220135
LATAR
BELAKANG
Sulawesi Tenggara menghadapi tantangan dalam meningkatkan kesehatan ibu dan anak,
dengan angka kematian ibu dan bayi yang masih tinggi. Salah satu penyebabnya adalah
kurangnya akses terhadap perawatan prenatal yang memadai, terutama di daerah
terpencil. Perawatan prenatal yang berkualitas sangat penting untuk memantau
kesehatan janin dan mendeteksi risiko sejak dini. Namun, keterbatasan infrastruktur
kesehatan, sumber daya manusia, dan kemampuan interpretasi data medis menjadi
hambatan dalam memberikan perawatan prenatal yang optimal di wilayah ini. Untuk
mengatasi tantangan tersebut, pendekatan machine learning seperti metode Random
Forest dapat dimanfaatkan untuk mengklasifikasikan kesehatan janin berdasarkan data
medis yang tersedia. Random Forest merupakan algoritma populer dan terbukti handal
dalam tugas klasifikasi.
TUJUAN
1. Mengembangkan model klasifikasi berbasis machine learning dengan menggunakan metode
Random Forest untuk memprediksi kesehatan janin berdasarkan data medis ibu hamil
2. Meningkatkan akurasi dan keandalan dalam mengklasifikasikan kesehatan janin, sehingga dapat
membantu tenaga kesehatan dalam mendeteksi risiko dan komplikasi selama kehamilan sedini
mungkin.
4. Menganalisis faktor-faktor atau parameter medis yang paling berpengaruh dalam memprediksi
kesehatan janin sehingga dapat memberikan insight bagi tenaga kesehatan dalam mengoptimalkan
perawatan prenatal di Sulawesi Tenggara.
Manfaat
1. Membantu tenaga kesehatan dalam mengidentifikasi dan memprediksi risiko kesehatan janin secara dini
berdasarkan data medis ibu hamil, sehingga dapat dilakukan tindakan pencegahan dan penanganan yang
tepat waktu untuk mengurangi komplikasi dan kematian ibu dan bayi.
2. Meningkatkan kualitas perawatan prenatal dengan memanfaatkan teknologi machine learning yang dapat
memberikan analisis dan rekomendasi yang akurat berdasarkan data medis, terutama di daerah-daerah
terpencil dengan akses terbatas terhadap sumber daya medis.
3. Membantu menurunkan angka kematian ibu dan bayi dengan adanya sistem pendukung keputusan yang
dapat membantu tenaga kesehatan dalam memberikan perawatan yang optimal dan mencegah komplikasi
selama kehamilan dan persalinan.
4. Memberikan informasi penting mengenai faktor-faktor atau parameter medis yang paling berpengaruh
terhadap kesehatan janin, sehingga dapat digunakan untuk meningkatkan strategi dan prioritas dalam
perawatan prenatal di wilayah tersebut, serta mengoptimalkan alokasi sumber daya kesehatan yang
terbatas.
METODOLOGI
Dalam konteks kesehatan janin, Random Forest menjadi alat yang sangat berguna
karena kemampuannya untuk menangani data yang kompleks, toleransi terhadap
noise, dan kemampuannya untuk mengatasi masalah overfitting. Hal ini
membuatnya menjadi pilihan yang populer untuk analisis kesehatan janin dan
aplikasi di berbagai bidang kedokteran maternal dan pediatrik.
Dataset
Link Dataset :
https://www.kaggle.com/datasets/andrewmvd/fetal-health-
classification
Dari dataset fetal health tersebut, fitur yang wajib diambil adalah sebagai berikut:
• Normal
• Suspect ( Mencurigakan )
• Pathological ( Kelainan )
Codingan
Codingan
Codingan
Codingan
Codingan
Kesimpulan
Model klasifikasi kesehatan janin menggunakan metode Random Forest yang dikembangkan
dalam penelitian ini berhasil mencapai akurasi prediksi yang sangat tinggi, yaitu 93%. Akurasi
93% menunjukkan bahwa dari 100 kasus yang diuji, model dapat memprediksi dengan benar
kondisi kesehatan janin pada 93 kasus berdasarkan data medis ibu hamil di Sulawesi Tenggara,
sehingga dapat menjadi alat bantu pengambilan keputusan yang andal bagi tenaga kesehatan
dalam memberikan perawatan prenatal yang optimal dan mendeteksi risiko sedini mungkin.
Dengan akurasi yang sangat baik serta kemampuan dalam mengidentifikasi faktor-faktor
medis yang paling berpengaruh terhadap kesehatan janin, model ini berpotensi besar untuk
diimplementasikan di fasilitas kesehatan di Sulawesi Tenggara dalam upaya menurunkan
angka kematian ibu dan bayi di wilayah tersebut.
Terima kasih :)