PENERAPAN ALGORITMA XGBOOST UNTUK KLASIFIKASI KELAYAKAN DAN REKOMENDASI PEMILIHAN METODE KONTRASEPSI BERDASARKAN DATA KLINIS PASANGAN USIA SUBUR
Abstract
Pemilihan metode kontrasepsi perlu mempertimbangkan kondisi klinis pasangan usia subur (PUS). Namun, keterbatasan waktu konseling dan kurangnya pemahaman PUS terhadap metode kontrasepsi yang sesuai dapat menyebabkan ketidaktepatan dalam pemilihannya. Penelitian ini bertujuan membangun model klasifikasi kelayakan metode kontrasepsi menggunakan algoritma XGBoost serta memberikan rekomendasi berdasarkan data klinis PUS. Model dikembangkan melalui tahapan pengumpulan dan pelabelan data, prapemrosesan, serta proses hyperparameter tuning menggunakan RandomizedSearchCV, kemudian diimplementasikan ke dalam aplikasi berbasis web menggunakan Streamlit. Kinerja model dievaluasi menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model XGBoost memperoleh akurasi 97.73%, dengan nilai presisi 0.93, 0.95, 0.98, 1.00, recall 0.90, 0.90, 1.00, 1.00, dan F1-score 0.92, 0.93, 0.99, 1.00 untuk kelas Aman, Berisiko, Sangat Aman, dan Tidak Aman. Hasil tersebut menunjukkan bahwa model XGBoost mampu mengklasifikasikan kelayakan penggunaan metode kontrasepsi dengan performa yang baik serta dapat dimanfaatkan sebagai rekomendasi awal dalam mendukung proses konsultasi dengan tenaga kesehatan.
Downloads
References
K. Kelurahan Sagatani, K. Barat, Z. Hasan Gaffar, and A. Sasap Abao, “Partisipasi Pasangan Usia Subur (PUS) dalam program Keluarga Berencana di Kampung Participation of Couples of Childbearing Age (PUS) in the Family Planning Program in KB Village, Sagatani Village, Singkawang, West Kalimantan,” online) Socia: Jurnal Ilmu-ilmu Sosial, vol. 18, no. 2, 2021.
M. Alkaff, A. R. Baskara, and Ainiyyah, “Penerapan Metode XGBoost Untuk Memprediksi Jumlah Kejadian Kecelakaan Lalu Lintas di Kota Banjarmasin,” Generation Journal, vol. 7, no. 1, pp. 61–69, Mar. 2023.
A. Rahman, D. Udjulawa, and Mulyati, “Rekomendasi Pemilihan Jenis Tanaman Menggunakan Algoritma Random Forest dan XGBoost Regressor,” Computer Science (CO-SCIENCE), vol. 4, no. 2, pp. 119–126, Jul. 2024.
R. Harahap, M. Irpan, M. Azzuhri Dinata, L. Efrizoni, and Rahmaddeni, “Perbandingan Algoritma Random Forest dan XGBoost untuk Klasifikasi Penyakit Paru-paru Berdasarkan Data Demografi Pasien,” Jurnal Ilmiah Betrik, vol. 15, no. 02, pp. 130–141, Aug. 2024.
Ikhtiyaruddin, N. P. Sari, A. Alamsyah, and E. Kursani, Metode Kontrasepsi Jangka Panjang (MKJP), 1st ed. Jawa Timur: CV. Global Aksara Pers, 2021.
F. A. Nurullah, “Perkembangan Metode Kontrasepsi di Indonesia,” Cermin Dunia Kedokteran, vol. 48, no. 3, pp. 166–172, Mar. 2021.
R. C. Muawanah, M. Ita, and V. Caroline, “Pemanfaatan Data Rekam Medis untuk Analisis Karakteristik Pasangan Usia Subur (PUS) dalam Pemilihan Kontrasepsi Tubektomi di RS Bhayangkara Anton Soedjarwo Pontianak,” Jurnal Administrasi dan Sistem Informasi Kesehatan, vol. 1, no. 1, pp. 1–6, Aug. 2024.
M. A. M. Setiawan, Kusrini, and A. D. Hartono, “Menggunakan Metode Machine Learning Untuk Memprediksi Nilai Mahasiswa Dengan Model Prediksi Multiclass,” Jurnal Informatika: Jurnal pengembangan IT, vol. 10, no. 1, pp. 190–204, Jan. 2025.
M. S. Melaku, L. Yohannes, B. Sharew, M. H. Derseh, and E. A. Taye, “Application of machine learning algorithms to model predictors of informed contraceptive choice among reproductive age women in six high fertility rate sub Sahara Africa countries,” BMC Public Health, vol. 25, no. 1, Dec. 2025.
N. B. Putri and A. W. Wijayanto, “Analisis Komparasi Algoritma Klasifikasi Data Mining Dalam Klasifikasi Website Phishing,” Komputika : Jurnal Sistem Komputer, vol. 11, no. 1, pp. 59–66, Apr. 2022.
M. Napiah and S. Heristian, “Perbandingan Algoritma Machine Learning pada Klasifikasi Penyakit Jantung,” Jurnal Infortech, vol. 6, no. 1, pp. 46–51, Jun. 2024.
W. A. Wahyuni, M. N. Karim, and Z. Muahidin, “Penerapan Algoritma XGBoost dalam Penentuan Potensi Sektor Wisata Lokal di Lombok Timur,” SAINTEKES: Jurnal Sains, Teknologi dan Kesehatan, vol. 4, no. 3, pp. 155–160, Jul. 2025.
N. M. Suryanooradja, A. D. Rahajoe, and Acghmad Junaidi, “Hybrid MobileNetV2 dan Extreme Gradient Boosting Untuk Klasifikasi Kerusakan Bangunan,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3, pp. 402–412, Jul. 2025.
A. A. Syahputra and R. E. Saputro, “Application of the XGBoost Model with Hyperparameter Tuning for Industry Classification for Job Applicants,” sinkron, vol. 8, no. 3, pp. 1920–1931, Jul. 2024.
E. A. Firdaus, J. Manurung, H. Saragih, and M. A. Prabukusumo, “Optimization of XGBoost hyperparameters using grid search and random search for credit card default prediction,” Jurnal Mandiri IT, vol. 14, no. 2, pp. 269–280, Oct. 2025.
A. Mehdary, A. Chehri, A. Jakimi, and R. Saadane, “Hyperparameter Optimization with Genetic Algorithms and XGBoost: A Step Forward in Smart Grid Fraud Detection,” Sensors, vol. 24, no. 4, pp. 1–24, Feb. 2024.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
