PENGEMBANGAN MODEL PREDIKSI RISIKO HIPERTENSI MENGGUNAKAN ALGORITMA GRADIENT BOOSTING DECISION TREE YANG DIOPTIMALKAN

Abstract

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 didiagnosa 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 pembelajaran mesin yang memiliki akurasi tinggi dalam mengatasi masalah pembelajaran biner. Tujuan dari penelitian ini adalah untuk mengevaluasi dan mengoptimalkan performa algoritma gradient boosting decision tree dalam memprediksi risiko hipertensi pada pasien. Pada tahap awal, dilakukan analisa pada dataset, setelah itu dilakukan hyperparameter tuning dengan metode randomized search, dan didapatkan nilai akurasi sebesar 74,10%. Selain itu, juga dilakukan eksplorasi hyperparameter tuning dengan metode lain, seperti tree parzen estimator, grid search, gradient based optimization, dan bayesian optimization. Sehingga diputuskan untuk memilih tree parzen estimator sebagai metode hyperparameter tuning karena mempunyai akurasi paling tinggi, yaitu 74,43%. Setelah itu, dilakukan implementasi model pada website menggunakan framework streamlit. Kemudian berdasarkan pengujian dengan 10 data yang diambil secara acak dari dataset yang dimasukkan melalui website, model dapat memprediksi dengan nilai akurasi hanya sebesar 40%. Gradient boosting decision tree merupakan algoritma yang cocok digunakan dalam memprediksi hipertensi pada pasien dengan akurasi yang cukup tinggi. Hasil dari penelitian ini diharapkan dapat memberikan manfaat bagi pengembangan sistem prediksi risiko hipertensi pada masa mendatang.