Pengembangan Sistem Pendukung Keputusan Hybrid Dinamis Menggunakan Random Forest Dan Topsis Untuk Deteksi Dini Risiko Preeklampsia Pada Ibu Hamil Di Indonesia

Abstract

Preeklampsia merupakan salah satu komplikasi kehamilan yang menjadi penyebab utama
morbiditas dan mortalitas maternal serta neonatal. Di Indonesia, tingginya angka kasus
preeklampsia menuntut adanya sistem deteksi dini yang lebih akurat dan adaptif. Penelitian ini
bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) hybrid dinamis yang
mengintegrasikan algoritma Random Forest dan Technique for Order Preference by Similarity to
Ideal Solution (TOPSIS) untuk mendukung deteksi serta pemeringkatan risiko preeklampsia.
Penelitian menggunakan pendekatan mixed methods dengan tahapan preprocessing data,
analisis faktor risiko, pembangunan model prediksi, penerapan pembobotan dinamis, integrasi
model hybrid, dan evaluasi performa sistem. Random Forest digunakan untuk memprediksi
probabilitas risiko berdasarkan faktor klinis maternal, sedangkan TOPSIS digunakan untuk
menentukan prioritas risiko berdasarkan berbagai kriteria klinis. Sistem juga menerapkan
mekanisme dynamic weighting yang menyesuaikan bobot faktor risiko sesuai trimester
kehamilan. Hasil penelitian menunjukkan bahwa model hybrid mampu meningkatkan akurasi
klasifikasi dan efektivitas pemeringkatan risiko dibandingkan metode tunggal. Faktor risiko
dominan yang teridentifikasi meliputi tekanan darah sistolik, proteinuria, obesitas, dan
hipertensi kronik. Integrasi Random Forest, TOPSIS, dan pembobotan dinamis menghasilkan
sistem yang lebih adaptif, personal, dan responsif terhadap perubahan kondisi kehamilan
sehingga berpotensi mendukung tenaga kesehatan dalam meningkatkan kualitas skrining,
pengambilan keputusan klinis, serta efektivitas pelayanan antenatal bagi ibu hamil.