INTEGRASI KSPR DAN ARTIFICIAL INTELLIGENCE DALAM SKRINING KEHAMILAN RISIKO TINGGI DI PUSKESMAS SIMALINGKAR
DOI:
https://doi.org/10.31004/joecy.v4i1.11148Keywords:
kehamilan risiko tinggi; KSPR; artificial intelligence; random forest; skrining antenatalAbstract
Angka kematian ibu (AKI) di Indonesia masih berada pada angka yang cukup tinggi, mencapai 183 per 100.000 kelahiran hidup berdasarkan Survei Demografi dan Kesehatan Indonesia (SDKI) 2022. Sebagian besar kematian ibu dapat dicegah melalui deteksi dini kehamilan risiko tinggi. Kartu Skor Poedji Rochjati (KSPR) merupakan instrumen skrining risiko kehamilan yang telah lama digunakan di Puskesmas, namun masih memiliki keterbatasan dalam hal konsistensi dan kecepatan pengambilan keputusan klinis. Artificial Intelligence (AI), khususnya algoritma Random Forest, berpotensi meningkatkan akurasi dan efisiensi proses skrining tersebut.
Tujuan: Menganalisis efektivitas integrasi KSPR dan Artificial Intelligence dalam meningkatkan akurasi skrining kehamilan risiko tinggi pada ibu hamil yang mendapatkan pelayanan antenatal di Puskesmas Simalingkar.
Metode: Penelitian ini menggunakan desain observasional analitik dengan pendekatan cross-sectional. Penelitian dilaksanakan di Puskesmas Simalingkar, Medan, periode September 2023–Agustus 2024. Sebanyak 220 ibu hamil direkrut menggunakan teknik consecutive sampling. Variabel independen meliputi skor KSPR dan prediksi model AI berbasis algoritma Random Forest. Variabel dependen adalah klasifikasi risiko kehamilan (rendah, tinggi, sangat tinggi). Pengolahan data menggunakan Python 3.10 dan IBM SPSS Statistics 26. Analisis meliputi statistik deskriptif, uji Chi-Square, regresi logistik, serta evaluasi performa sistem (sensitivitas, spesifisitas, dan ROC Curve/AUC).
Hasil: Dari 220 responden, sebesar 48,2% dikategorikan risiko rendah, 32,7% risiko tinggi, dan 19,1% risiko sangat tinggi berdasarkan KSPR. Sistem AI mengidentifikasi 47,3% risiko rendah, 33,6% risiko tinggi, dan 19,1% risiko sangat tinggi. Nilai AUC sistem AI sebesar 0,91 (95% CI: 0,87–0,95) secara signifikan lebih tinggi dibandingkan KSPR manual dengan AUC 0,81 (95% CI: 0,75–0,87). Sensitivitas AI mencapai 89,4% dan spesifisitas 88,2%, sedangkan KSPR menunjukkan sensitivitas 78,6% dan spesifisitas 79,3%. Variabel paritas (OR=3,24; p<0,001) dan riwayat penyakit (OR=4,17; p<0,001) merupakan prediktor terkuat risiko kehamilan pada analisis regresi logistik.
Kesimpulan: Integrasi KSPR dengan Artificial Intelligence berbasis Random Forest secara signifikan meningkatkan akurasi skrining kehamilan risiko tinggi dibandingkan penggunaan KSPR secara manual. Model ini berpotensi dikembangkan sebagai sistem pendukung keputusan klinis pada layanan antenatal tingkat primer.
References
Aditya, R., Wijaya, T., & Permata, S. (2023). Ensemble machine learning for preeclampsia prediction in Southeast Asian populations: A systematic development and validation study. Asian Pacific Journal of Reproduction, 12(3), 115–124. https://doi.org/10.4103/2305-0500.365412
Amini, L., Leng, W., & Chen, Q. (2023). Comparative performance of machine learning algorithms for maternal risk prediction: A meta-analysis. BMC Pregnancy and Childbirth, 23(1), 287. https://doi.org/10.1186/s12884-023-05612-z
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Chen, X., Zhang, Y., & Liu, H. (2021). Machine learning approaches for predicting adverse pregnancy outcomes: A systematic review and meta-analysis. PLOS ONE, 16(8), e0256541. https://doi.org/10.1371/journal.pone.0256541
Data Rekam Medis Puskesmas Simalingkar. (2022). Laporan tahunan kunjungan antenatal care Puskesmas Simalingkar periode 2021–2022. Dinas Kesehatan Kota Medan.
Hasibuan, M. R., & Sihotang, R. L. (2022). Tingkat kesalahan klasifikasi risiko kehamilan pada penggunaan KSPR manual di Puskesmas Sumatera Utara. Jurnal Kesehatan Masyarakat Nasional, 17(2), 98–106. https://doi.org/10.21109/kesmas.v17i2.5821
Ibrahim, O. A., Khalifa, M., & Shaker, H. (2022). Random forest algorithm for clinical decision support in obstetrics: Performance benchmarking across diverse populations. Journal of Biomedical Informatics, 126, 103998. https://doi.org/10.1016/j.jbi.2022.103998
Kementerian Kesehatan RI. (2023). Profil kesehatan Indonesia tahun 2022. Kementerian Kesehatan Republik Indonesia.
Maulida, R., Pratiwi, H., & Kusuma, A. (2022). Klasifikasi risiko kehamilan menggunakan Naïve Bayes berbasis data KSPR: Studi di Puskesmas Jawa Tengah. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(4), 847–856. https://doi.org/10.25126/jtiik.202294503
Noviyanti, D., & Rahmawati, I. (2022). Kesiapan infrastruktur teknologi informasi Puskesmas di Indonesia untuk implementasi sistem informasi kesehatan digital. Jurnal Administrasi Kesehatan Indonesia, 10(1), 42–51. https://doi.org/10.20473/jaki.v10i1.2022.42-51
Nurjasmi, E., & Widaningsih, I. (2021). Pola kematian ibu di Indonesia: Analisis data SDKI 2017 dan implikasi kebijakan. Indonesian Journal of Obstetrics and Gynecology, 9(3), 160–168. https://doi.org/10.32771/inajog.v9i3.1421
Permenkes No. 12 Tahun 2022 tentang Integrasi Layanan Primer. (2022). Kementerian Kesehatan Republik Indonesia.
Putri, A. N., & Santoso, B. (2023). Support vector machine untuk prediksi risiko antenatal berbasis data rekam medis Puskesmas. Jurnal Rekayasa Sistem dan Teknologi Informasi, 7(2), 312–321. https://doi.org/10.29207/resti.v7i2.4687
Rahayu, S., Fatimah, S., & Sugiyanto, E. (2022). Hubungan keterlambatan identifikasi risiko kehamilan dengan kejadian komplikasi obstetri berat: Studi kohort retrospektif. Buletin Penelitian Kesehatan, 50(1), 27–36. https://doi.org/10.22435/bpk.v50i1.5121
Rochjati, P. (2020). Skrining antenatal pada ibu hamil: Pengenalan faktor risiko (4th ed.). Airlangga University Press.
Sari, D. K., Hutabarat, M., & Lubis, Y. (2021). Analisis kesalahan pengisian Kartu Skor Poedji Rochjati oleh bidan di fasilitas kesehatan tingkat pertama Kota Medan. Jurnal Ilmu Kebidanan, 9(2), 75–83.
Situmorang, R. V., & Sitepu, F. Y. (2021). Reliabilitas Kartu Skor Poedji Rochjati dalam skrining kehamilan risiko tinggi: Uji kappa antar bidan di Puskesmas Medan. Jurnal Kebidanan dan Keperawatan Aisyiyah, 17(1), 44–52. https://doi.org/10.31101/jkk.1752
Suryani, L., Dewi, R. T., & Asriyanto, H. (2022). Transferabilitas model prediksi klinis antenatal: Kajian metodologis pada populasi heterogen Indonesia. Media Kesehatan Masyarakat Indonesia, 21(3), 218–227. https://doi.org/10.30597/mkmi.v21i3.17821
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
Undang-Undang No. 27 Tahun 2022 tentang Perlindungan Data Pribadi. (2022). Republik Indonesia.
Wahyuni, T., Supriyatiningsih, S., & Yuliani, D. R. (2022). Validitas dan reliabilitas Kartu Skor Poedji Rochjati dalam prediksi kehamilan risiko tinggi: Studi multisenter di Yogyakarta. Jurnal Keperawatan Soedirman, 17(1), 11–19. https://doi.org/10.20884/1.jks.2022.17.1.1689
Widiyanto, A., Wulandari, P., & Ilmi, B. (2023). Digitalisasi layanan antenatal dalam kerangka transformasi kesehatan primer: Kajian kebijakan program ILP Kemenkes 2022–2024. Jurnal Kebijakan Kesehatan Indonesia, 12(2), 88–97. https://doi.org/10.22146/jkki.77411
World Health Organization. (2023). Trends in maternal mortality: 2000 to 2020. WHO Press.
Zhang, L., Wang, H., & Li, Z. (2023). Random forest-based prediction of pregnancy complications in Chinese women: A multicenter prospective cohort study. EClinicalMedicine, 56, 101813. https://doi.org/10.1016/j.eclinm.2022.101813
Zhao, Y., Chen, J., & Kumar, R. (2022). Integration of electronic health records and machine learning for maternal risk stratification: A systematic review. npj Digital Medicine, 5(1), 72. https://doi.org/10.1038/s41746-022-00616-7
Zihlif, M., Batran, S., & Abdalrahman, A. (2021). Explainable artificial intelligence in clinical risk prediction: Applications and challenges in obstetrics. Frontiers in Artificial Intelligence, 4, 681498. https://doi.org/10.3389/frai.2021.681498
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Deni Irawati, Palupi Bodro Sayekti
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
