Berat badan lahir merupakan salah satu indikator penting bagi kesehatan bayi
kedepannya. Berat badan lahir rendah (BBLR) adalah istilah untuk berat badan bayi
saat lahir dibawah 2500 gram, dimana bayi dengan BBLR berisiko terhambat
perkembangan kognitifnya, terjadi malnutrisi, infeksi, munculnya berbagai
morbiditas, hingga mortalitas. Menurut Profil Kesehatan Indonesia tahun 2020,
Angka Kematian Bayi (AKB) untuk neonatal terbanyak disebabkan oleh BBLR
yang mencapai 35,15%. Hal ini menunjukkan bahwa Indonesia perlu menekan
angka kematian bayi dan mencegah terjadinya kelahiran BBLR. Oleh karena itu,
penting untuk mendeteksi BBLR sebagai intervensi dini, mengoptimalkan keadaan
ibu selama kehamilan, dan melahirkan berat badan lahir yang normal. Deteksi
BBLR biasa dilakukan dengan pendekatan heuristik, yaitu mengukur parameter
kondisi ibu saat kehamilan. Namun, pendekatan ini tidak memperhitungkan
interaksi antar faktor, padahal BBLR dapat disebabkan oleh pengaruh faktor-faktor
lain yang berkaitan. Dalam hal ini, upaya pencegahan BBLR dapat memanfaatkan
penggunaan artificial intelligence (AI), khususnya machine learning dengan
mengolah data dari berbagai faktor untuk membuat model prediksi kelas risiko. Hal
ini dapat membuat sistem deteksi lebih baik dan diimplementasikan sebagai sistem
yang digunakan untuk screening risiko kelahiran BBLR.
Pada penelitian ini, telah dilakukan eksplorasi data pada salah satu klinik untuk
sosioekonomi menengah-kebawah di Bandung, bahwa fitur paling berpengaruh
terhadap pelatihan model prediksi kelas risiko BBLR adalah berat badan ibu, tinggi
fundus uteri, dan total penghasilan. Data yang digunakan adalah basis data poli
layanan antenatal (ANC), sosioekonomi, dan berat badan lahir sebagai label.
Melalui pembagian dataset secara acak, dengan menggunakan fitur-fitur
sosioekonomi, dan melakukan hyperparameter tuning, didapatkan parameter
terbaik untuk melatih model sehingga menghasilkan akurasi random forest sebesar
94,51% untuk dataset tanpa dilakukan oversampling, dan 93,29% setelah dilakukan
oversampling dengan SMOTE. Model terakhir kemudian digunakan untuk
deployment ke halaman web menggunakan mikroframework bernama Flask dan
server online platform Heroku agar dapat digunakan pengguna yaitu tenaga
kesehatan khususnya bidan di klinik.