Risiko kehamilan merupakan kondisi yang perlu dideteksi sejak dini karena dapat berdampak pada kesehatan ibu dan janin. Tingginya angka komplikasi kehamilan menuntut adanya sistem yang mampu membantu tenaga kesehatan dalam melakukan identifikasi tingkat risiko kehamilan secara cepat dan akurat. Penelitian ini bertujuan untuk membangun model prediksi risiko kehamilan menggunakan algoritma Categorical Boosting (CatBoost) berdasarkan variabel klinis ibu hamil. Dataset yang digunakan diperoleh dari platform Kaggle dengan jumlah 1.014 data yang terdiri dari fitur Age, SystolicBP, DiastolicBP, BS (Blood Sugar), BodyTemp, dan HeartRate, serta target RiskLevel yang diklasifikasikan ke dalam tiga kategori yaitu High Risk, Mid Risk, dan Low Risk. Proses penelitian meliputi tahap preprocessing data, transformasi label menggunakan Label Encoding, pembagian data dengan rasio 80% data latih dan 20% data uji, pelatihan model CatBoost, serta evaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CatBoost mampu menghasilkan akurasi sebesar 81,28% dalam mengklasifikasikan tingkat risiko kehamilan. Nilai precision, recall, dan F1-score pada masing-masing kelas menunjukkan performa yang cukup baik, dengan kelas High Risk memperoleh precision 0,85, recall 0,87, dan F1-score 0,86. Hasil analisis feature importance menunjukkan bahwa fitur BS (Blood Sugar) memiliki pengaruh terbesar terhadap prediksi risiko kehamilan dengan nilai sebesar 32,58%, diikuti oleh Age sebesar 16,96% dan HeartRate sebesar 15,18%. Berdasarkan hasil tersebut, algoritma CatBoost terbukti mampu memberikan performa yang baik dalam memprediksi risiko kehamilan dan berpotensi digunakan sebagai pendukung pengambilan keputusan dalam bidang kesehatan.
References
A.Siroj, R., Afgani, W., Fatimah, Septaria, D., Zahira, G., & Salsabila. (2024). METODE PENELITIAN KUANTITATIF PENDEKATAN ILMIAH UNTUK ANALISIS DATA. Jurnal Review Pendidikan dan Pengajaran, 11279-11289.
Ali Hafid, M., & Ade Kurniawan, M. (2024). Deteksi Akun Kaggle Bot Menggunakan Linear Regression. Journal homepage: Journal of Electrical Engineering and Computer (JEECOM), 449-459.
Amaliah, S., Nusrang, M., & Aswi, A. (2022). Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng. VARIANSI: Journal of Statistics and Its application on Teaching and Research, 121-127.
Anita, N., & Diana, S. A. (2025). Deteksi Dini Faktor Resiko Kehamilan dan Peningkatan Pengetahuan Kader Tentang Screening Serta Pemeriksaan Kesehatan pada Ibu Hamil di Desa Mosso. Kolaborasi: Jurnal Pengabdian Masyarakat, 246-256.
Arif Abdul Syukur, M., & Chamidy, T. (2025). Prediksi Kualitas Udara Menggunakan Metode CatBoost. JISKA (Jurnal Informatika Sunan Kalijaga, 249-258.
Dimas Syandika, N., & Yustanti, W. (2023). Deteksi Anomali Terhadap Pembatalan Transaksi Pada Platform Tiktok Shop dengan Algoritma Categorical Boosting (Catboost). Journal of Informatics and Computer Science, 1377-1385.
Enggar Saputra, G., Hanindia Prami Swari, M., & Lina Nurlaili, A. (2025). Implementasi Algoritma XGBoost, CatBoost, dan LGBM untuk Klasifikasi Pencemaran Udara. JIIP (Jurnal Ilmiah Ilmu Pendidikan), 14135-14138.
Jasman, T. Z., Fadhlullah, M. A., Pratama, A. L., & Rismayani, R. (2022). Analisis Algoritma Gradient Boosting, AdaBoost dan Catboost dalam Klasifikasi Kualitas Air. Jurnal Teknik Informatika dan Sistem Informasi, 392-401.
Kusuma, E. J., Nurmandhani, R., Aryani, L., Pantiawati, I., & Shidik, G. F. (2025). Optimasi Model Extreme Gradient Boosting Dalam Upaya Penentuan Tingkat Risiko Pada Ibu Hamil Berbasis Bayesian Optimization (BOXGB). Jurnal Teknologi Informasi dan Ilmu Komputer, 111-120.
Mawardi, A. B., Pradini, R. S., & Haris, M. S. (2025). KOMPARASI ALGORITMA BOOSTING UNTUK PREDIKSI GANGGUAN TIDUR. JITET (Jurnal Informatika dan Teknik Elektro Terapan), 1377-1385.
Meihartati, T., Norhapifah, H., Abiyoga, A., Wiyata, S., & Samarinda, H. (2020). Tanda-Tanda Bahaya dan Resiko Pada Resiko Kehamilan. STIKES Wiyata Husada Samarinda.