Setiap ibu hamil yang datang memeriksakan diri meninggalkan jejak berupa catatan. Selama ini catatan itu hanya dibaca satu per satu oleh tenaga kesehatan. Penelitian tentang deteksi risiko diabetes melitus pada kehamilan menunjukkan bahwa tumpukan catatan tersebut bisa diolah lebih jauh menjadi peringatan dini.
Tim memakai 248 catatan pemeriksaan dari Puskesmas Lawang dan menyaring 16 atribut yang dianggap paling berpengaruh. Sebagian besar atribut itu sudah rutin dicatat, seperti usia ibu, usia kehamilan, indeks massa tubuh, dan hasil skrining penyakit menular.
K-Nearest Neighbor dipilih karena sederhana. Model ini tidak perlu proses pelatihan yang berat, cukup menyimpan data dan menghitung jarak ke tetangga terdekat saat ada data baru masuk. Untuk fasilitas kesehatan dengan perangkat terbatas, pendekatan seperti ini lebih realistis daripada model yang menuntut komputasi besar.
Angka 78,38 persen berasal dari 248 data dan satu lokasi. Jumlah sebesar itu cukup untuk membuktikan konsep, tetapi belum cukup untuk dijadikan alat bantu keputusan resmi. Diperlukan data dari lebih banyak puskesmas, penanganan data kosong yang baku, dan pengujian ulang pada populasi yang berbeda.
Yang menarik, riset ini memperlihatkan bahwa nilai tambah terbesar bukan pada algoritmanya, melainkan pada disiplin pencatatan. Selama tenaga kesehatan mengisi data dengan rapi, model sederhana pun bisa memberi manfaat.
Aryo Pinandito, Satrio Agung Wicaksono, dan Satrio Hadi Wijoyo (2023). Implementasi Machine Learning Dalam Deteksi Risiko Tinggi Diabetes Melitus Pada Kehamilan. Jurnal Teknologi Informasi dan Ilmu Komputer.
