digilib@itb.ac.id +62 812 2508 8800

ARTIFICIAL INTELLIGENCE UNTUK PREDIKSI RISIKO KELAHIRAN BAYI DENGAN BERAT BADAN LAHIR RENDAH (BBLR)

Penulis : Athaya Syaqra [18318021]
Kontributor / Dosen Pembimbing :
  • Dr. Widyawardana Adiprawita, S.T., M.T.
  • Allya Paramita Koesoema, S.T., M.T., Ph.D.
  • Isa Anshori, S.T., M.Eng.
  • Dr. Beni Rio Hermanto, S.T., M.M.
Jenis Koleksi : Tugas Akhir
Penerbit : Teknik Biomedis
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : BBLR, antenatal, machine learning, prediksi, risiko.
Sumber :
Staf Input/Edit : Dessy Rondang Monaomi  
File : 0 file
Tanggal Input : 28 Jun 2022

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.

Artikel Terkait