Early Prediction of Perinatal Depression Risk Among Pregnant Women Using Random Forest and XGBoost Algorithms: Prediksi Risiko Dini Depresi Perinatal Pada Ibu Hamil Menggunakan Algoritme Random Forest dan Xgboost

Putri Cholidhazia; Pedro Masdy; Arif Mudi Priyatno

doi:10.69693/ijmst.v4i2.9010

Authors

Putri Cholidhazia Universitas Islam Negeri Sultan Syarif Kasim Riau
Pedro Masdy Universitas Islam Negeri Sultan Syarif Kasim Riau
Arif Mudi Priyatno Universitas Pahlawan Tuanku Tambusai

DOI:

https://doi.org/10.69693/ijmst.v4i2.9010

Keywords:

Prediksi, Risiko Depresi Perinatal, Random Forest, XGBoost

Abstract

Depresi pada ibu hamil dapat diartikan sebagai gangguan mental yang muncul dengan gejala suasana hati yang tertekan, kehilangan minat, kelelahan, gangguan tidur, mudah lupa, lekas emosi dan marah serta penurunan fungsi fisik dan kognitif. Beberapa penyebab terjadinya depresi pada ibu hamil yaitu kurangnya dukungan suami dan keluarga saat hamil, kekerasan rumah tangga serta masalah ekonomi. Prevalensi gejala depresi pasca persalinan mencapai 31,8%, menjadikan Indonesia sebagai salah satu negara dengan tingkat risiko depresi pasca persalinan tertinggi di kawasan Asia. Oleh karena itu deteksi dini depresi perinatal menjadi sangat penting untuk mencegah perkembangan buruk pada janin yang dapat mengancam jiwa. Penelitian ini bertujuan untuk memprediksi risiko dini perinatal pada ibu hamil menggunakan algoritma Random Forest dan XGBoost. Tahapan penelitian ini terdiri atas pengumpulan data, persiapan data, splitting data, imbalanced data dengan metode SMOTE, pemodelan dan pengujian. Dataset yang digunakan yaitu data sekunder kesehatan mental ibu hamil yang memuat data psikologis, demografis, dan sosial ibu hamil yang berjumlah 14.008 data. Pembagian dataset untuk pemodelan dan pengujian di splitting dengan persentase 80% data latih dan 20% data uji. Hasil pengujian menunjukkan XGBoost dapat mencapai performa yang baik dengan nilai akurasi 97.00%, precision 97.00%, recall 96.00% dan f1-score 97.00% dibandingkan Random Forest dengan nilai akurasi 96.00%, precision 96.00%, recall 93.00% dan f1-score 97.00%.

References

Alfajri, N. H., & Defiyanti, S. (2023). Prediksi penyakit jantung menggunakan metode random forest dan penerapan principal component analysis (PCA). JITET (Jurnal Informatika dan Teknik Elektro Terapan), 12(3S1). https://doi.org/10.23960/jitet.v12i3S1.5055 Efendi, M. S., Sarwido, & Zyen, A. K. (2024). Penerapan algoritma random forest untuk prediksi penjualan dan sistem persediaan produk. RESOLUSI: Rekayasa Teknik Informatika dan Informasi, 5(1), 12–20. https://doi.org/10.30865/resolusi.v5i1.2149

Cahyana, A., Susanto, E. R., & Parjito. (2025). Penerapan algoritma XGBoost untuk prediksi diabetes: Analisis confusion matrix dan ROC curve. Fountain of Informatics Journal, 10(1). https://doi.org/10.21111/fij.v10i1.14311.

Gustiyandi, Z., Aradea, & Sulastri, H. (2025). Prediksi penjualan produk menggunakan algoritma Xtreme Gradient Boosting. JURTI, 9(1).

Herlinda, A., Anung, F., Ige, A. M., Salju, E., Sawul, A., & Manggul, M. S. (2025). Pameran poster edukatif di Pustu Namut Purang untuk meningkatkan pengetahuan ibu hamil tentang tanda bahaya dalam kehamilan. Jurnal Kreativitas Pengabdian Kepada Masyarakat (PKM), 8(6), 2934–2943. https://doi.org/10.33024/jkpm.v8i6.19103

Herliawati, P. A., It, K., Nova, B. S., Murni, N. N. A., Glo, G. F. B., & Parwati, B. N. W. M. (2024). Bunga rampai: Kesehatan mental pada ibu hamil dan ibu pasca melahirkan. PT Nuansa Fajar Cemerlang.

Kementerian Kesehatan RI. (2024). Kementerian Kesehatan Republik Indonesia

Khairah, D. U., Abdullah, A., & Pangestika, M. W. (2025). Komparasi algoritma random forest dan XGBoost dalam klasifikasi penipuan kartu kredit. Jurnal Computer Science and Information Technology (CoSciTech), 6(3), 392–398. https://doi.org/10.37859/coscitech.v6i3.10470

Murdiansyah, D. T. (2024). Stroke prediction using extreme gradient boosting. JIKO (Jurnal Informatika dan Komputer), 8(2), 419–426. https://doi.org/10.26798/jiko.v8i2.1295

Monalisa, A. E., Nugroho, A. P. P., Azzahra, F. B. N., Abiyyunanda, A. F., & Herbawani, C. K. (2024). Analysis of mental health on the incidence of depression in pregnant women and postpartum women during the COVID-19 pandemic: A study literature. Media Kesehatan Masyarakat, 6(1), 13–24.

Saputra, D., Pangestika, M. W., & Octariadi, B. C. (2025). Penerapan algoritma random forest dalam klasifikasi prakiraan cuaca. Jurnal Computer Science and Information Technology (CoSciTech), 6(3), 625–633. https://doi.org/10.37859/coscitech.v6i3.10846

Shahid, A., Malik, N. I., Shahid, F., Ullah, I., & Abbass, Z. (2022). Psychosocial predictors of mental health among pregnant women. Perspectives in Psychiatric Care, 58(3), 1071–1076. https://doi.org/10.1111/ppc.12900

Sultan, P., Ando, K., Elkhateb, R., George, R. B., Lim, G., Carvalho, B., et al. (2022). Assessment of patient-reported outcome measures for maternal postpartum depression using the Consensus-Based Standards for the Selection of Health Measurement Instruments guideline: A systematic review. JAMA Network Open, 5(6), e2214885. https://doi.org/10.1001/jamanetworkopen.2022.14885

Wang, Z., Liu, J., Shuai, H., Cai, Z., Fu, X., Liu, Y., Xiao, X., Zhang, W., Krabbendam, E., Liu, S., Liu, Z., Li, Z., & Yang, B. X. (2021). Mapping global prevalence of depression among postpartum women. Translational Psychiatry, 11(1), 543. https://doi.org/10.1038/s41398-021-01663-6

Zafar, A., Akram, B. A., Wasim, M., Maham, Pires, I. M., & Coelho, P. J. (2025). PERI_DEP: A dataset of mother’s mental health in Pakistan. Data in Brief, 60, 111621. https://doi.org/10.1016/j.dib.2025.111621

Zulaekah, S., & Kusumawati, Y. (2020). Kecemasan sebagai penyebab gangguan kesehatan mental pada kehamilan di layanan kesehatan primer Kota Surakarta. Jurnal Kebidanan dan Keperawatan ’Aisyiyah, 17(1), 59–73.