Abstract:
Kehamilan adalah suatu masa yang dimulai dari konsepsi sampai lahirnya janin. Setiap kehamilan
memiliki risiko yang bahkan dapat menyebabkan kematian. Angka Kematian Ibu (AKI)
merupakan salah satu indikator yang menunjukkan kesejahteraan masyarakat di suatu negara.
Oleh karena itu, perlu untuk memprediksi terjadinya tingkat pemulihan yang disebabkan oleh
faktor-faktor pada kehamilan. Faktor pada kehamilan adalah variabel-variabel yang digunakan
pada data Group Long Term Disability (GLTD) Recovery Rates. Variabel yang digunakan terdiri
dari enam variabel prediktor, yaitu Disability Category, Age Band, Duration, Own Occupation
to Any Transition, Integration with Short Term Disability, dan Gross Indexed Benefit Amount
dan satu variabel respons, yaitu Actual Recovery Rate. Pada skripsi ini, akan dihitung tingkat
pemulihan kehamilan dengan menggunakan metode Random Forests. Metode Random Forests
merupakan metode pengembangan dari metode Decision Trees. Metode Decision Trees dapat
diaplikasikan menjadi Classification Trees dan Regression Trees. Data yang digunakan pada
skripsi ini memiliki variabel respons yang bersifat kuantitatif maka akan digunakan metode
Regression Trees. Dalam metode Random Forests terdapat kumpulan metode Regression Trees
yang akan dilakukan dengan cara bootstrapping. Metode Random Forests akan melakukan
estimasi pada variabel yang digunakan dan memprediksi tingkat pemulihan kehamilan. Selanjutnya,
akan dilakukan perbandingan pada metode Regression Trees dan metode Random Forests.
Perbandingan kedua metode dilakukan dengan menghitung nilai Mean Square Error (MSE),
yaitu MSE Predicted. MSE Predicted akan dilakukan dengan menggunakan test data setelah
mencocokkan model pada training data. Berdasarkan analisis yang diperoleh dapat disimpulkan
bahwa MSE Predicted pada metode Random Forests lebih baik digunakan untuk memprediksi
data GLTD Recovery Rates pada data kehamilan karena memiliki nilai prediksi yang lebih kecil
daripada metode Regression Trees.
