Model Prediksi Otomatis Jenis Penyakit Hipertensi dengan Pemanfaatan Algoritma Machine Learning Artificial Neural Network

Purwono Purwono; Pramesti Dewi; Sony Kartika Wibisono; Bala Putra Dewa

doi:10.33506/insect.v7i2.1828

Authors

Purwono Purwono Program Studi Informatika, Universitas Harapan Bangsa, Purwokerto
Pramesti Dewi Program Studi Keperawatan, Universitas Harapan Bangsa, Purwokerto
Sony Kartika Wibisono Program Studi Informatika, Universitas Harapan Bangsa, Purwokerto
Bala Putra Dewa Program Studi Informatika, Universitas Harapan Bangsa, Purwokerto

DOI:

https://doi.org/10.33506/insect.v7i2.1828

Keywords:

klasifikasi, hipertensi, neural network, penyakit, kesehatan

Abstract

Hipertensi merupakan 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 neural network diusulkan dalam penelitian ini. Kontribusi kami dalam penelitian ini adalah membuat model klasifikasi neural network. 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 artificial neural network. Parameter yang digunakan dalam model ini yaitu solver='lbfgs', alpha=1e-5,hidden_layer_sizes=(5, 2), random_state=1. Nilai akurasi ketepatan prediksi dalam menentukan jenis hipertensi ini sebesar 85% yang menunjukan bahwa model yang dibangun tenyata sudah cukup baik dalam proses klasifikasi

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.

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.

A. M. Siregar and H. H. H, “Implementasi Algoritma Neural Network untuk Mendukung Keputusan di Desa Tamanmekar,” Petir, vol. 13, no. 1, pp. 21–32, 2020, doi: 10.33322/petir.v13i1.768.

F. Gorunescu, Data Mining: Concepts, models and techniques. Berlin: Springer-Verlag, 2011.

D. T. Larose, Discovering knowledge in data : an introduction to data mining. Jhon Wiley & Sons Inc, 2005.

A. Wanto, “Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Kemiskinan,” Klik - Kumpul. J. Ilmu Komput, vol. 5, no. 1, p. 61, 2018.

D. Monika, A. Ahmad, S. Wardani, and Solikhun, “Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi,” Teknika, vol. 8, no. 1, pp. 17–24, 2019, doi: 10.34148/teknika.v8i1.140.

A. Ahmad, P. M. Putri, W. Alifah, I. Gunawan, and . S., “Analisis Jaringan Syaraf Tiruan Metode Backpropogation Dalam Memprediksi Ketersediaan Komoditas Beras Berdasarkan Provinsi Di Indonesia,” J. Resist. (Rekayasa Sist. Komputer), vol. 2, no. 1, pp. 48–60, 2019, doi: 10.31598/jurnalresistor.v2i1.348.

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.

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.

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.