Perbandingan Algoritma Support Vector Machine Dan Algoritma Random Forest Dalam Prediksi Hipertensi

Abstract

Hipertensi merupakan salah satu penyakit tidak
menular yang berpotensi menimbulkan komplikasi serius dan
menunjukkan tren peningkatan prevalensi baik secara global
maupun nasional. Deteksi dini terhadap kondisi ini sangat
penting guna mencegah dampak kesehatan yang berbahaya.
Penelitian ini bertujuan untuk membandingkan kinerja dua
algoritma machine learning, yaitu Support Vector Machine
(SVM) dan Random Forest (RF), dalam memprediksi hipertensi
menggunakan data rekam medis dari Puskesmas Purwokerto
Timur I. Karena data hipertensi biasanya memiliki distribusi
kelas yang tidak seimbang, penelitian ini menerapkan teknik
Oversampling untuk menyeimbangkan data. Tahapan
penelitian mencakup preprocessing data, pembangunan model
menggunakan algoritma SVM dan RF, serta evaluasi model
dengan metrik akurasi, presisi, recall, dan F1-score. Hasil
pengujian menunjukkan bahwa algoritma RF memberikan
hasil terbaik dengan akurasi mencapai 98,92%, sementara
SVM menghasilkan akurasi tertinggi sebesar 83,91%.
Berdasarkan temuan tersebut, dapat disimpulkan bahwa
algoritma RF lebih efektif dalam melakukan prediksi hipertensi
pada data yang tidak seimbang, dan penerapan teknik
Oversampling secara signifikan dapat meningkatkan performa
model. Penelitian ini diharapkan dapat berkontribusi dalam
pengembangan sistem prediksi hipertensi yang lebih akurat
untuk mendukung upaya pencegahan dan pengelolaan
kesehatan masyarakat.
Kata kunci—hipertensi, Prediksi, Oversampling, Random
Forest, Support Vector Machine