Pengembangan Model Prediksi Risiko Hipertensi Menggunakan Algoritma Gradient Boosting Decision Tree Yang Dioptimalkan
Article Sidebar
Main Article Content
Abstract
Penelitian ini dilatarbelakangi adanya kebutuhan akan sistem prediksi yang dapat membantu dalam mengidentifikasi pasien yang memiliki risiko terkena hipertensi sejak dini. Hipertensi adalah kondisi medis dimana tekanan darah dalam arteri menjadi terlalu tinggi secara berkepanjangan. Hal ini menyebabkan beban tambahan pada jantung dan pembuluh darah, yang pada gilirannya dapat menyebabkan kerusakan pada organ dan meningkatkan risiko serangan jantung, stroke, dan penyakit ginjal. Hipertensi sering tidak menimbulkan gejala dan hanya dapat di diagnosa melalui pemeriksaan darah. Pengobatan melibatkan perubahan gaya hidup seperti mengurangi asupan garam, berolahraga secara teratur, dan mengontrol berat badan. Obat-obatan juga dapat diberikan untuk membantu menurunkan tekanan darah. Algoritma Gradient Boosting Decision Tree merupakan salah satu teknik machine learning yang memiliki akurasi tinggi dalam mengatasi masalah pembelajaran biner. Model dibuat dengan melatih algoritma Gradient Boosting Decision Tree pada 70693 baris dataset dari Pusat Pengendalian dan Pencegahan Penyakit Amerika Serika. Dataset tersebut memiliki 17 perilaku dan riwayat kesehatan seseorang yang dapat mengindikasikan risiko hipertensi orang tersebut. Algoritma Gradient Boosting Decision Tree dioptimalkan menggunakan beberapa metode hyperparameter tuning yaitu Random Search, Grid Search, Bayesian Optimization, Grading Search, dan Tree Parzer Estimation. Validasi tertinggi diperoleh dari pengoptimalan model menggunakan Tree Parzer Estimation, yaitu mencapai akurasi 74,43%.
Article Details

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Alfat, L., Hermawan, H., Rustandiputri, A., Inzhagi, R., & Tandjilal, R. (2022). Prediksi Saham PT. Aneka Tambang Tbk. dengan K-Nearest Neighbors. JSAI (Journal Scientific and Applied Informatics), 5(3), 236-243.
Damanik, S., & Sitompul, L. N. (2020). Hubungan Gaya Hidup dengan Hipertensi Pada Lansia di Klinik Tutun Sehati Tahun 2019. Nursing Arts, 14(1), 30-36.
Givari, M. R., Sulaeman, M. R., & Umaidah, Y. (2022). Perbandingan Algoritma SVM, Random Forest Dan XGBoost Untuk Penentuan Persetujuan Pengajuan Kredit. Nuansa Informatika, 16(1), 141-149.
Islam, S. M. S., Talukder, A., Awal, M. A., Siddiqui, M. M. U., Ahamad, M. M., Ahammed, B., ... & Maddison, R. (2022). Machine learning approaches for predicting hypertension and its associated factors using population-level data from three south asian countries. Frontiers in Cardiovascular Medicine, 9, 839379.
K, B. (2021, May 17). Best PC Builds For Deep Learning In Every Budget Ranges. Diambil kembali dari Medium: https://towardsdatascience.com/best-pc-builds-for-deep-learning-in-every-budget-ranges-3e83d1351a8
Lisiswanti, R., & Dananda, D. N. A. (2016). Upaya pencegahan hipertensi. Jurnal Majority, 5(3), 50-54.
Mustafa, A., & Rahimi Azghadi, M. (2021). Automated machine learning for healthcare and clinical notes analysis. Computers, 10(2), 24.
Pratama, I. B. A., Fathnin, F. H., & Budiono, I. (2020). Analisis Faktor yang Mempengaruhi Hipertensi di Wilayah Kerja Puskesmas Kedungmundu. In Prosiding Seminar Nasional Pascasarjana (PROSNAMPAS) (Vol. 3, No. 1, pp. 408-413).
Purwono, P., Dewi, P., Wibisono, S. K., & Dewa, B. P. (2022). Model Prediksi Otomatis Jenis Penyakit Hipertensi dengan Pemanfaatan Algoritma Machine Learning Artificial Neural Network. Insect (Informatics and Security): Jurnal Teknik Informatika, 7(2), 82-90.
Roihan, A., Sunarya, P. A., & Rafika, A. S. (2020). Pemanfaatan Machine Learning dalam Berbagai Bidang. Jurnal Khatulistiwa Informatika, 5(1), 490845.
Wantoro, A., Syarif, A., Berawi, K. N., Muludi, K., Sulistiyanti, S. R., & Sutyarso, S. (2021). Implementasi Metode Pembobotan Berbasis Aturan Dan Metode Profile Matching Pada Sistem Pakar Medis Untuk Prediksi Risiko Hipertensi. Jurnal Teknoinfo, 15(2), 134-145.