Implementasi Machine Learning dalam Deteksi Risiko Tinggi Diabetes Melitus pada Kehamilan

Abstract

Diabetes dalam kehamilan dapat meningkatkan berbagai risiko, baik pada maternal maupun neonatus. Adanya gangguan homeostasis glukosa dalam kehamilan dapat meningkatkan terjadinya malformasi kongenital, keguguran, risiko preeklampsia, Cepalo Pelvik Dispropotion (CPD), kelahiran prematur, kelainan letak, plasenta previa dan hipoglikemia neonatus. Oleh karena itu, diperlukan perhatian dan penanganan menyeluruh bagi ibu hamil yang menderita diabetes. Teknologi machine learning dapat dimanfaatkan dalam berbagai hal di bidang kesehatan. Salah satu dari pemanfaatan machine learning di bidang kesehatan adalah kemampuannya untuk mendeteksi risiko tinggi diabetus mellitus pada ibu hamil melalui berbagai data dan informasi seperti nama, usia, umur kehamilan, gravida, para, riwayat kehamilan, riwayat penyakit yang pernah diderita, faktor risiko, dan riwayat persalinan yang lalu. Proses persalinan ibu hamil dipengaruhi oleh faktor fisiologis dan faktor-faktor risiko lain yang dapat mempengaruhinya. Penelitian ini menggunakan dataset yang diperoleh dari data pemeriksaan ibu hamil di Puskesmas Lawang dari bulan Januari 2021 sampai dengan Agustus 2021 dan menggunakan16 atribut penting, yaitu: tanggal pengkajian, nama, tanggal HPHT, tanggal HPL, umur, GPA, usia kehamilan, KSPR, keterangan KSPR, IMT, kategori IMT, reduksi, albumin, hepatitis, HIV, dan IMS. Penelitian ini telah melakukan tahapan pengumpulan data, perancangan, implementasi, pengujian dan analisis data yang mengimplementasikan teknik machine learning K-Nearest Neighbor (KNN). Nilai akurasi tertinggi pada skenario pengujian pertama dengan atribut k=2 adalah 70.27%. Nilai akurasi tertinggi pada skenario pengujian kedua dengan k=3 adalah 75.68%. Nilai akurasi tertinggi pada skenario pengujian ketiga dengan k=4 adalah 78.38%. Sedangkan Nilai akurasi tertinggi pada skenario pengujian keempat dengan k=5 adalah 77.03%. Nilai akurasi tertinggi dicapai pada rasio sebesar 7:3 antara data latih dengan data testing. AbstractDiabetes in pregnancy can increase various risks, both maternal and neonatal. Disorders of glucose homeostasis in pregnancy can increase the occurrence of congenital malformations, miscarriage, risk of preeclampsia, Cepalo Pelvic Dispropotion (CPD), premature birth, malformations, placenta previa and neonatal hypoglycemia. Thorough attention and treatment is needed for pregnancy with diabetes. Machine learning technology can be used to detect the risk of diabetes mellitus in pregnancy. Several data such as name, age, gestational age, gravida, para, past pregnancy history, past medical history, risk factors, and past birth history were used in the risk detection. Delivery process in pregnancy is affected by the physiologic of prospective mother and several other risk factors.The dataset used in this study was 248 examination data of pregnancy check up at the Lawang Health Center from January 2021 to August 2021. The study used 16 attributes in determining the risk, i.e., date of assessment, name of mother, date of HPHT, date of HPL, age, GPA, gestational age, KSPR, KSPR information, BMI, BMI category, reduction, albumin, hepatitis, HIV, and STIs. This study has follow the implementation stages of data collection, design, implementation, testing and data analysis. The highest accuracy for the first test scenario with k=2 is 70.27%. The highest accuracy for the second test scenario with k=3 is 75.68%. The highest accuracy for the third test scenario with k=4 is 78.38%. While the highest accuracy for the fourth test scenario with k=5 is 77.03%. Highest accuracies were achieved with the distribution ratio of 7:3 between training and testing data.