Pemanfaatan Teknologi Machine Learning pada Klasifikasi Jenis Hipertensi Berdasarkan Fitur Pribadi

Pramesti Dewi; Purwono Purwono; Safar Dwi Kurniawan

doi:10.30591/smartcomp.v11i3.3721

Pemanfaatan Teknologi Machine Learning pada Klasifikasi Jenis Hipertensi Berdasarkan Fitur Pribadi

Pramesti Dewi, Purwono Purwono, Safar Dwi Kurniawan

Abstract

Hipertensi tampaknya menjadi faktor utama dalam perkembangan penyakit seperti stroke, gagal jantung, infark miokard, fibrilasi atrium, penyakit arteri perifer, dan diseksi aorta. Prediksi dini jenis hipertensi dari riwayat kesehatan merupakan hal yang penting agar kita dapat mengetahui penyakit yang disebabkan olehnya. Prediksi ini dapat diperoleh dengan memanfaatkan teknologi machine learning untuk menemukan pengetahuan baru dari data dasar sehingga menemukan pola yang valid, berguna, dan mudah dipelajari. Model klasifikasi random forest diusulkan dalam penelitian ini. Kontribusi kami dalam penelitian ini adalah membuat model klasifikasi random forest dengan teknik baru yaitu perbaikan data untuk melakukan tuning hyperparameter. Kami melihat peneliti sebelumnya hanya mengejar nilai akurasi yang tinggi semata. Berbeda dengan penelitian sebelumnya, kami menggunakan teknik optimasi hyperparameter gridsearch cv pada model klasifikasi random forest. Parameter terbaik untuk model random forest yaitu max_depth = 80, max_features = 3, min_samples_leaf = 3, min_samples_split = 8, dan n_estimators = 1000 yang direkomendasikan dari teknik gridsearch cv. Akurasi sebelum optimasi adalah 72,3%, sedangkan setelah optimasi adalah 86,1%. Hal ini menunjukkan peningkatan akurasi sebesar 13,7% setelah menerapkan metode grid search cv pada klasifikasi jenis hipertensi menggunakan model random forest

Full Text:

References

D. Masruroh, E. M. M.Has, and R. Fauziningtyas, “Pengaruh Terapi Humor dengan Media Film Komedi terhadap Penurunan Tekanan Darah Pada Lansia Dengan Hipertensi,” Indones. J. Community Heal. Nurs., vol. 4, no. 1, p. 29, 2019, doi: 10.20473/ijchn.v4i1.12496.

M. Nour and K. Polat, “Automatic Classification of Hypertension Types Based on Personal Features by Machine Learning Algorithms,” Math. Probl. Eng., vol. 2020, pp. 1–14, 2020, doi: 10.1155/2020/2742781.

A. C. Telaumbanua and Y. Rahayu, “Penyuluhan Dan Edukasi Tentang Penyakit Hipertensi,” J. Abdimas Saintika, vol. 3, no. 1, p. 119, 2017, doi: 10.30633/jas.v3i1.1069.

Y. Nursakinah and A. Handayani, “Faktor-Faktor Risiko Hipertensi Diastolik Pada Usia Dewasa Muda,” J. Pandu Husada, vol. 2, no. 1, p. 21, 2021, doi: 10.30596/jph.v2i1.5426.

G. Mancia et al., “2018 ESC/ESH Guidelines for the management of arterial hypertension,” Eur. Heart J., vol. 39, pp. 3021–3104, 2018, doi: doi:10.1093/eurheartj/ehy339.

D. Tryastuti, “Determinan Pre-Hipertensi Di Kelurahan Curug Kecamatan Cimanggis Kota Depok,” Indones. J. Heal. Sci., vol. 11, no. 1, p. 71, 2019, doi: 10.32528/ijhs.v11i1.2240.

Y. T. G. Arum, “Hipertensi pada Penduduk Usia Produktif (15-64 Tahun),” Higeia J. Public Heal. Res. Dev., vol. 3, no. 3, pp. 84–94, 2019, doi: https://doi.org/10.15294/higeia.v3i3.30235.

A. Syntya, “Hypertension and heart disease: literature review,” J. Ilm. Permas J. Ilm. STIKES Kendal, vol. 11, no. 4, pp. 541–550, 2021, doi: doi.org/10.32583/pskm.v11i4.1621.

F. D. Telaumbanua, P. Hulu, T. Z. Nadeak, R. R. Lumbantong, and A. Dharma, “Penggunaan Machine Learning Di Bidang Kesehatan,” J. Teknol. dan Ilmu Komput., vol. 3, no. 1, pp. 57–64, 2019, doi: https://doi.org/10.34012/jutikomp.v2i2.657.

A. Mustafa and M. Rahimi Azghadi, “Automated machine learning for healthcare and clinical notes analysis,” Computers, vol. 10, no. 2, pp. 1–31, 2021, doi: 10.3390/computers10020024.

A. Roihan, P. Abas Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020, doi: https://doi.org/10.31294/ijcit.v5i1.7951.

M. M. Santoni, N. Chamidah, and N. Matondang, “Prediksi Hipertensi menggunakan Decision Tree, Naïve Bayes dan Artificial Neural Network pada software KNIME,” Techno.Com, vol. 19, no. 4, pp. 353–363, 2020, doi: 10.33633/tc.v19i4.3872.

W. Apriliah, I. Kurniawan, M. Baydhowi, and T. Haryati, “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” Sistemasi, vol. 10, no. 1, p. 163, 2021, doi: 10.32520/stmsi.v10i1.1129.

L. B. Moreira and A. A. Namen, “A hybrid data mining model for diagnosis of patients with clinical suspicion of dementia,” Comput. Methods Programs Biomed., vol. 165, pp. 139–149, 2018, doi: 10.1016/j.cmpb.2018.08.016.

N. Chamidah, M. Mega Santoni, and N. Matondang, “Pengaruh Oversampling pada Klasifikasi Hipertensi dengan Algoritma Naïve Bayes, Decision Tree, dan Artificial Neural Network (ANN),” J. RESTI (Rekayasa Sist. dan Teknol. Inf. ), vol. 4, no. 4, pp. 635–641, 2020, doi: https://doi.org/10.29207/resti.v4i4.2015.

A. Akbar Ritonga, Ibnu Rasyid Munthe, Masrizal, “LVQ Algorithm for The Classification of Hypertension Based on ESH Guideline,” J. Mantik, vol. 4, no. 3, pp. 1772–1778, 2020, doi: https://doi.org/10.35335/mantik.Vol4.2020.1006.pp1772-1778.

E. Martinez-Ríos, L. Montesinos, and M. Alfaro-Ponce, “A machine learning approach for hypertension detection based on photoplethysmography and clinical data,” Comput. Biol. Med., vol. 145, no. March, p. 105479, 2022, doi: 10.1016/j.compbiomed.2022.105479.

“PPG Blood Pressure,” IEEE Dataport, 2019. https://ieee-dataport.org/open-access/ppg-blood-pressure.

A. Yakimovich, A. Beaugnon, Y. Huang, and E. Ozkirimli, “Labels in a haystack: Approaches beyond supervised learning in biomedical applications,” Patterns, vol. 2, no. 12, pp. 1–11, 2021, doi: 10.1016/j.patter.2021.100383.

J. Zheng, Y. Liu, and Z. Ge, “Dynamic ensemble selection based improved random forests for fault classification in industrial processes,” IFAC J. Syst. Control, vol. 20, p. 100189, 2022, doi: 10.1016/j.ifacsc.2022.100189.

A. Toha, P. Purwono, W. Gata, and A. Toha, “Model Prediksi Kualitas Udara dengan Support Vector Machines dengan Optimasi Hyperparameter GridSearch CV,” Bul. Ilm. Sarj. Tek. Elektro, vol. 4, no. 1, pp. 12–21, 2022, doi: 10.12928/biste.v4i1.6079.

P. Purwono, A. Wirasto, and K. Nisa, “Comparison of Machine Learning Algorithms for Classification of Drug Groups,” Sisfotenika, vol. 11, no. 2, p. 196, 2021, doi: 10.30700/jst.v11i2.1134.

T. Emmanuel, T. Maupong, D. Mpoeleng, T. Semong, B. Mphago, and O. Tabona, “A survey on missing data in machine learning,” J. Big Data, vol. 8, no. 1, 2021, doi: 10.1186/s40537-021-00516-9.

P. Purwono, A. Ma’arif, I. S. Mangku Negara, W. Rahmaniar, and J. Rahmawan, “Linkage Detection of Features that Cause Stroke using Feyn Qlattice Machine Learning Model,” J. Ilm. Tek. Elektro Komput. dan Inform., vol. 7, no. 3, p. 423, 2021, doi: 10.26555/jiteki.v7i3.22237.

T. Yan, S. L. Shen, A. Zhou, and X.-S. Chen, “Prediction of geological characteristics from shield operational parameters using integrating grid search and K-fold cross validation into stacking classification algorithm,” J. Rock Mech. Geotech. Eng., p. 100310, 2022, doi: https://doi.org/10.1016/j.jrmge.2022.03.002.

G. S. K. Ranjan, A. Kumar Verma, and S. Radhika, “K-Nearest Neighbors and Grid Search CV Based Real Time Fault Monitoring System for Industries,” in 2019 IEEE 5th International Conference for Convergence in Technology, I2CT 2019, 2019, no. March, doi: 10.1109/I2CT45611.2019.9033691.

X. Xiong, S. Hu, D. Sun, S. Hao, H. Li, and G. Lin, “Detection of false data injection attack in power information physical system based on SVM–GAB algorithm,” Energy Reports, vol. 8, pp. 1156–1164, 2022, doi: 10.1016/j.egyr.2022.02.290.

S. Katoch, V. Singh, and U. S. Tiwary, “Indian Sign Language Recognition System using SURF with SVM and CNN,” Array, p. 100141, 2022, doi: https://doi.org/10.1016/j.array.2022.100141.

A. Luque, A. Carrasco, A. Martín, and A. de las Heras, “The impact of class imbalance in classification performance metrics based on the binary confusion matrix,” Pattern Recognit., vol. 91, pp. 216–231, 2019, doi: 10.1016/j.patcog.2019.02.023

DOI: https://doi.org/10.30591/smartcomp.v11i3.3721