PENGEMBANGAN FITUR DETEKSI RISIKO KESEHATAN DAN DETEKSI DINI PENYAKIT HIPERTENSI SERTA DIABETES PADA APLIKASI SEHATI MENGGUNAKAN MODEL STACKING MACHINE LEARNING DI DESA KABUPATEN BANDUNG - Dalam bentuk buku karya ilmiah

IQMAL NURIADI

Informasi Umum

Kode

25.04.5149

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

66 kali

Informasi Lainnya

Abstraksi

Peningkatan angka risiko kesehatan dan rendahnya kesadaran akan resiko kesehatan selama masa kehamilan di wilayah pedesaan mendorong kebutuhan akan sistem pemantauan yang adaptif dan inklusif. Penelitian ini mengembangkan aplikasi mobile SEHATI sebagai platform pendukung kesehatan ibu hamil yang dilengkapi dengan fitur deteksi dini risiko menggunakan pendekatan stacking machine learning berbasis meta model. Model yang digunakan adalah kombinasi dari XGBoost dan Random Forest sebagai base learners, dengan Gradient Boosting Classifier sebagai meta learner, untuk meningkatkan akurasi dan generalisasi prediksi dalam kondisi data terbatas.Selain fungsi prediktif, aplikasi SEHATI dilengkapi dengan berbagai fitur pendukung kebutuhan ibu hamil, seperti rekomendasi makanan, informasi kualitas udara, komunitas MamaShare, dan fitur Shop. Sementara itu, dashboard web disediakan khusus bagi tenaga medis (bidan) untuk memantau hasil deteksi, mengelola data ibu hamil, dan mempercepat pengambilan keputusan medis berbasis data. Hasil pengujian model menunjukkan performa klasifikasi yang baik, dengan rata-rata akurasi 86.6% (maternal health, diabetes, dan hipertensi). Evaluasi melalui classification report menunjukkan nilai presisi, recall, dan F1-score yang konsisten, terutama setelah penerapan metode hypertuning. Pengujian fungsional melalui black-box testing menunjukkan seluruh fitur berjalan sesuai skenario, hasil User Acceptance Testing (UAT) menunjukkan tingkat kepuasan yang baik dari Ibu Hamil (90,71%) maupun Bidan (96,67%) untuk iterasi pertama dan 98.57% untuk iterasi kedua dengan mayoritas menyatakan bahwa sistem mudah digunakan, informatif, dan membantu dalam pemantauan kesehatan kehamilan. Penelitian ini membuktikan bahwa integrasi teknologi machine learning dalam bentuk meta model ke dalam sistem mobile dan dashboard dapat mendukung pelayanan kesehatan ibu secara efektif, terutama di daerah dengan akses terbatas terhadap fasilitas medis. Kata Kunci: ibu hamil, diabetes, hipertensi,meta model, XGBoost, Random Forest, machine learning