PELATIHAN PENGGUNAAN APLIKASI MOBILE UNTUK KLASIFIKASI METODE PERSALINAN PADA IBU HAMIL

Arif Rahman Hakim

doi:10.20956/pa.v8i2.25847

Authors

Arif Rahman Hakim Universitas Medika Suherman

Keywords:

APRELIN

AKI

Childbirth

Mobile

Abstract

The welfare of the people in a country can be assessed using several indicators, one of which is the minimum maternal mortality rate (MMR). The World Health Organization (WHO) records that an average of 810 women die every day due to complications related to pregnancy and childbirth. This figure is still quite high, and there must be serious handling to reduce it. The purpose of this service is to educate the public about the importance of choosing the right delivery method and provide training in using mobile-based delivery prediction applications (APRELIN). This application is expected to help the community avoid the risk of maternal death due to complications and choosing the wrong delivery method. The method used in this activity is in the form of workshops and direct practice of using the application. The partners who contributed to the implementation of the service were Medika Lestari Tangerang Hospital, which was attended by 30 people consisting of nurses, midwifery coordinators, IT staff, and general staff. This community service activity has been carried out well and successfully. || Kesejahteraan masyarakat di suatu negara dapat dinilai dari beberapa indikator, salah satunya adalah minimnya angka kematian ibu (AKI). Organisasi Kesehatan Dunia (WHO) mencatat rata-rata 810 wanita meninggal setiap harinya akibat komplikasi terkait kehamilan dan persalinan. Angka tersebut masih cukup tinggi dan harus ada penanganan yang serius untuk menurunkannya. Tujuan pengabdian ini adalah untuk memberikan edukasi kepada masyarakat tentang pentingnya pemilihan metode persalinan yang tepat dan pelatihan penggunaan aplikasi prediksi persalinan (APRELIN) berbasis mobile. Aplikasi ini diharapkan dapat membantu masyarakat untuk menghindari risiko kematian ibu akibat komplikasi dan pemilihan metode persalinan yang tidak tepat. Metode yang digunakan dalam kegiatan ini berupa workshop dan praktik langsung penggunaan aplikasi. Adapun Mitra yang berkontribusi dalam pelaksanaan pengabdian adalah Rumah Sakit Medika Lestari Tangerang, yang dihadiri oleh 30 orang terdiri dari perawat, koordinator kebidanan, staff IT dan staff umum. Kegiatan pengabdian kepada masyarakat ini telah terlaksana dengan baik dan sukses.

Downloads

References

Abdurrahman, G., & Wijaya, J. T. (2019). Analisis Klasifikasi Kelahiran Caesar Menggunakan Algoritma Naive Bayes. JUSTINDO (Jurnal Sistem Dan Teknologi Informasi Indonesia), 4(2), 46. https://doi.org/10.32528/justindo.v4i2.2616

Arga, H., Rani, D., & Zuhri, S. (2020). Klasifikasi Naïve Bayes. 3.

Astuti, Y., & Wahyuni, A. (2022). Pemberdayaan Masyarakat Dan Kader Kesehatan Dalam Upaya Pencegahan Stunting Di Gamping. JMM (Jurnal Masyarakat Mandiri), 6(6), 4431–4438. http://journal.ummat.ac.id/index.php/jmm/article/view/10658%0Ahttp://journal.ummat.ac.id/index.php/jmm/article/viewFile/10658/pdf

Aswir, & Misbah, H. (2018). Penerapan Algoritma C4.5 Pada Klasifikasi Kelahiran Bayi Prematur Di Desa Setia Mekar. Photosynthetica, 2(1), 1–13. http://link.springer.com/10.1007/978-3-319-76887-8%0Ahttp://link.springer.com/10.1007/978-3-319-93594-2%0Ahttp://dx.doi.org/10.1016/B978-0-12-409517-5.00007-3%0Ahttp://dx.doi.org/10.1016/j.jff.2015.06.018%0Ahttp://dx.doi.org/10.1038/s41559-019-0877-3%0Aht

Celena, A., Kirana, K., Furqon, M. T., & Ridok, A. (2022). Klasifikasi Berat Badan Lahir Rendah ( BBLR ) menggunakan Metode Support Vector Machine dengan Teknik SMOTE. 6(7), 3442–3451.

Damaliana, A. T., & Prasetya, D. A. (2022). Ensemble Tree untuk Memprediksi Level Resiko Maternal Mortality di Bangladesh. 2022(Senada), 24–30.

Hasanah, Q., Andrianto, A., & Hidayat, M. A. (2018). Sistem Informasi Posyandu Ibu Hamil dengan Penerapan Klasifikasi Resiko Kehamilan Menggunakan Metode Naïve Bayes (Implementing Classification Risk in Posyandu System Information for Pregnant Using Naïve Bayes Method). 1–9.

Hidayat, M. A. (2021). Klasifikasi Resiko Kehamilan Menggunakan Ensemble Learning berbasis Classification Tree. INFORMAL: Informatics Journal, 6(3), 177. https://doi.org/10.19184/isj.v6i3.28396

Hikmatulloh, H., Rahmawati, A., Wintana, D., & Ambarsari, D. A. (2019). Penerapan Algoritma Iterative Dichotomiser Three (Id3) Dalam Mendiagnosa Kesehatan Kehamilan. Klik - Kumpulan Jurnal Ilmu Komputer, 6(2), 116. https://doi.org/10.20527/klik.v6i2.189

Indraswari, N. R., & Kurniawan, Y. I. (2018). Aplikasi Prediksi Usia Kelahiran Dengan Metode Naive Bayes. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 129–138. https://doi.org/10.24176/simet.v9i1.1827

Ningsih, M. P. S. D., & Noranita, B. (2018). Status Proses Persalinan Menggunakan Algoritma C4.5. Jurnal Masyarakat Informatika, 9(1), 1–13.

Setia, I. C., & Arifin, T. (2021). Penentuan Penanganan Persalinan Caesar dengan Neural Network dan Particle Swarm Optimization. Sistemasi, 10(2), 346. https://doi.org/10.32520/stmsi.v10i2.1235

Sihombing, P. R., & Yuliati, I. F. (2021). Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 417–426. https://doi.org/10.30812/matrik.v20i2.1174

Wibowo, A., Darwati, I., & Irnawati, O. (2020). Prediksi Operasi Sesar Dengan Machine Learning. J I M P - Jurnal Informatika Merdeka Pasuruan, 4(3), 25–29. https://doi.org/10.37438/jimp.v4i3.228

Zakaria, R., Choirul Dwi Astuti, S., Dewi Agustini, R., Armin Abdullah, Y., Kebidanan, J., & Kesehatan Kementerian Kesehatan Gorontalo, P. (2022). Upaya Pencegahan Stunting Melalui Konvergensi Gerakan Ijab Kabul. 6(6), 4409–4419. http://journal.ummat.ac.id/index.php/jmm