MODEL PREDIKSI BERAT BADAN BAYI LAHIR BERDASARKAN USIA KEHAMILAN DAN KADAR HEMOGLOBIN IBU MENGGUNAKAN MULTIPLE LINEAR REGRESSION SEBAGAI DUKUNGAN SISTEM INFORMASI KESEHATAN DI PUSKESMAS KADUDAMPIT
DOI:
https://doi.org/10.70248/jcsit.v3i4.4735Keywords:
BBBL, Faktor Risiko, Machine Learning, Multiple Linear Regression, PrediksiAbstract
Berat Badan Bayi Lahir (BBBL) merupakan indikator krusial kesehatan neonatal dan mortalitas perinatal. Prediksi BBBL yang akurat pada masa kehamilan sangat esensial untuk memfasilitasi deteksi dini dan intervensi obstetri secara tepat waktu di fasilitas pelayanan primer. Penelitian ini bertujuan untuk membangun model prediksi BBBL kontinu berbasis metode Multiple Linear Regression menggunakan prediktor antropometri dan klinis maternal. Penelitian menggunakan pendekatan kuantitatif observasional cross-sectional dengan data sekunder rekam medis Puskesmas Kadudampit, Kabupaten Sukabumi. Teknik sampling yang digunakan adalah purposive sampling dengan kriteria inklusi kelengkapan rekam medis ibu bersalin, menghasilkan 150 sampel. Perlu ditegaskan bahwa ukuran sampel ini relatif terbatas (N=150) dari satu fasilitas layanan primer, sehingga generalisasi temuan harus dilakukan secara cermat. Data dibagi menjadi data training (80%) dan testing (20%) secara acak, serta divalidasi lebih lanjut menggunakan 10-Fold Cross-Validation untuk memastikan stabilitas model dan memitigasi risiko overfitting. Hasil evaluasi menunjukkan model memiliki performa prediktif moderat dengan R² = 0.58, Adjusted R² = 0.48 pada data testing, RMSE = 164.72 gram, MAPE = 5.44%, dan MAE = 131.64 gram. Analisis regresi mengidentifikasi usia kehamilan (koefisien = 94.70 g/minggu) dan kadar hemoglobin maternal (koefisien = 77.80 g/(g/dL)) sebagai faktor penentu paling dominan terhadap BBBL. Model ini berpotensi diaplikasikan sebagai instrumen skrining awal antenatal berbasis komputer bagi tenaga medis di puskesmas, meskipun pengembangan masa depan memerlukan validasi multisentrik dan ukuran sampel yang lebih besar
References
P. Tahun, “Model prediksi berat lahir bayi berdasarkan berat badan ibu sebelum hamil dan pertambahan berat badan pertrimester di wilayah kerja puskesmas puuwatu tahun 2015-2016,” vol. 2, no. 6, pp. 1–10, 2017.
K. Berat et al., “Kenaikan berat badan ibu saat hamil dan berat badan bayi baru lahir,” vol. 4, no. November, pp. 57–63, 2020.
P. L. Rosida, M. Nurmalasari, and D. Krismawati, “Implementasi Decision Tree untuk Prediksi Kelahiran Bayi Prematur Decision Tree Implementation for Premature Birth Prediction,” vol. 14, pp. 178–186, 2024.
S. Ganesh Kumar, H. N. Harsha Kumar, S. Jayaram, and M. S. Kotian, “Determinants of low birth weight: a case control study in a district hospital in Karnataka.,” Indian J. Pediatr., vol. 77, no. 1, pp. 87–89, Jan. 2010, doi: 10.1007/s12098-009-0269-9.
P. Di and P. Kaluku, “Model prediksi berat lahir bayi berdasarkan faktor pengaruhnya di puskesmas kaluku bodoa,” vol. 2018, pp. 162–174, 2018.
G. Putra, D. Sohibien, and R. J. Yuhan, “Determinan kejadian berat badan lahir rendah (bblr) di indonesia”.
B. Lahir, “Status Gizi Pra Hamil Berpengaruh Terhadap Berat dan Panjang Badan Bayi Lahir Ema Wahyu Ningrum 1 , Etika Dewi Cahyaningrum 1 1,” vol. 16, no. 2, pp. 89–94, 2018.
M. Fasting, B. Glucose, B. Pressure, and A. F. Volume, “Glukosa Darah Puasa , Tekanan Darah , dan Volume Cairan Ketuban Ibu dengan Panjang dan Berat Badan Bayi Lahir,” vol. 4, no. 2, pp. 277–287, 2022.
R. D. Nindrea, “Perbedaan Taksiran Berat Badan Janin Menurut Formula Perhitungan Berat Badan Lahir Bayi,” vol. 1, pp. 36–42, 2017.
I. F. Yuliati and P. R. Sihombing, “Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia Implementation of Machine Learning Method in Risk Classification on Low Birth weight in Indonesia,” vol. 20, no. 2, pp. 417–426, 2021, doi: 10.30812/matrik.v20i2.1174.
P. Dwi, I. Azizah, P. Statistika, and U. I. Bandung, “Penerapan Probabilistic Neural Network pada Klasifikasi Berat Bayi Baru Lahir,” vol. 1, pp. 152–159.
H. Arga, D. Rani, and S. Zuhri, “Klasifikasi Naïve Bayes,” vol. 3, 2020.
Badan Pusat Statistik and United Nations Population Fund (UNFPA), “Mortalitas di Indonesia: Hasil Long Form Sensus Penduduk 2020,” Jakarta, 2023. [Online]. Available: https://www.bps.go.id/publication/2024/02/02/f1e801ce263e5d1520375f59/mortalitas-di-indonesia-hasil-long-form-sensus-penduduk-2020.html
T. R. Anasthasia and E. D. Utami, “Faktor-Faktor yang Memengaruhi Kejadian Berat Badan Lahir Rendah Di Indonesia Tahun 2020,” vol. 2020, no. 2021, pp. 863–872, 2020.
A. M. Thulaja, R. A. Putra, and D. Anggraeni, "Prediksi Berat Badan Lahir Bayi Menggunakan Regresi Linear Berganda Berdasarkan Data Rekam Medis," J. Inf. dan Rekayasa Elektron., vol. 6, no. 1, pp. 45–52, 2023.
M. A. Aprihartha, S. P. Azzahro, and R. Aziza, “Jurnal EurekaMatika Pemilihan Model Regresi Linear Berganda Terbaik untuk Menentukan Faktor-Faktor Penyebab Kasus Balita Gizi Buruk di,” vol. 13, no. 1, pp. 35–46, 2025.
World Health Organization, “Neonatal care clinical guidelines,” Geneva, 2018.
M. S. Kramer, “Determinants of low birth weight: methodological assessment and meta-analysis.,” Bull. World Health Organ., vol. 65, no. 5, pp. 663–737, 1987.
L. M. Ginting, M. M. T. Sigiro, E. D. Manurung, J. Jasa, and P. Sinurat, “Perbandingan Metode Algoritma Support Vector Regression dan Multiple Linear Regression Untuk Memprediksi Stok Obat,” vol. 1, no. 2, 2021.
S. N. Fauzani, S. Alam, and E. Suratno, “Prediksi Hasil Produksi Cengkeh Di Indonesia,” vol. 7, no. 1, pp. 661–667, 2025.
B. H. Prakoso, E. Rachmawati, D. Rachmatta, and P. Mudiono, “Klasterisasi Puskesmas dengan K-Means Berdasarkan Data Kualitas Kesehatan Keluarga dan Gizi Masyarakat,” vol. 14, no. April, pp. 60–68, 2023.
Investopedia , “Multiple Linear Regression (MLR): Definition, Formula, and Example,” Investopedia . Accessed: Jan. 04, 2024. [Online]. Available: https://www.investopedia.com/terms/m/mlr.asp
