Perbandingan Algoritma Support Vector Machine Dan Algoritma Random Forest Dalam Prediksi Hipertensi
Abstrak
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
Unduhan
Referensi
[1] R. Putra Pridiptama, W. Wasono, F. Deny, and T. Amijaya, “Perbandingan Algoritma Support Vector Machine dan Na¨ıveNa¨ıve Bayes pada Klasifikasi Penyakit Tekanan Darah Tinggi (Studi Kasus: Klinik Polresta Samarinda),” 2024. [Online]. Available: http://jurnal.fmipa.unmul.ac.id/index.php/Basis
[2] I. L. Maria, A. S. Yusnitasari, C. Lifoia, A. Tiara Aurelia Annisa, and S. Mulyani, “Determinants of Hypertension Incidence in the Work Areas of the Bone and Barru District Health Centers in 2022,” Media Kesehatan Masyarakat Indonesia, vol. 18, no. 3, pp. 83–89, Sep. 2022.
[3] M. A. Aprianur, “Peran Artificial intelligence Dalam Deteksi Penyakit Hipertensi: Sistematik Review,” 2022. [Online]. Available: https://www.researchgate.net/publication/377086205
[4] K. Abdul Khalim, U. Hayati, and A. Bahtiar, “Perbandingan Prediksi Penyakit Hipertensi Menggunakan Metode Random Forest dan Naive Bayes,” 2023.
[5] A. Wulandari, S. Atika Sari, and Ludiana, “Penerapan Relaksasi Benson Terhadap Tekanan Darah pada Pasien Hipertensi di RSUD Jendral Ahmad Yani Kota Metro Tahun 2022,” Jurnal Cendikia Muda, vol. 3, no. 2, 2023.
[6] P. Purwono, P. Dewi, S. K. Wibisono, and B. P. Dewa, “Model Prediksi Otomatis Jenis Penyakit Hipertensi dengan Pemanfaatan Algoritma Machine Learning Artificial Neural Network,” Insect (Informatics and Security): Jurnal Teknik Informatika, vol. 7, no. 2, pp. 82–90, Mar. 2022.
[7] M. I. Fikri, T. S. Sabrila, Y. Azhar, and U. M. Malang, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA Jurnal, vol. 10, no. 02, 2020.
[8] L. Sari, A. Romadloni, and R. Listyaningrum, “Penerapan Data Mining dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest,” Infotekmesin, vol. 14, no. 1, pp. 155–162, Jan. 2023.
[9] H. Hasbi and T. B. Sasongko, “Optimasi Performa Random Forest dengan Random Oversampling dan SMOTE pada Dataset Diabetes,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 8, no. 3, p. 1756, Jul. 2024, doi: 10.30865/mib.v8i3.7855.
[10] A. Syukron, E. Saputro, and P. Widodo, “Penerapan Metode Smote Untuk Mengatasi Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung,” 2023. [Online]. Available: https://doi.org/10/25047/jtit.v10i1.312
[11] A. Ghozali, H. Pratiwi, S. Sulistijowati Handajani Program Studi Statistika, F. Matematika dan Ilmu Pengetahuan Alam, and U. Sebelas Maret, “IMPLEMENTASI DATA MINING MENGGUNAKAN METODE RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM KLASIFIKASI PENYAKIT DIABETES 1),” Bulan Juli Hal. [Online]. Available: https://jurnal.unikal.ac.id/index.php/Delta/index
[12] P. Budi Utomo, M. Faruqziddan, E. Herdika Septa Aulia, and S. Dini Azzahra, “Perbandingan Skenario Balancing Oversampling dan Undersampling dalam Klasifikasi Resiko Kambuh Kanker Tiroid menggunakan Algoritma SVM Linear,” JAMI: Jurnal Ahli Muda Indonesia, vol. 5, no. 2, pp. 172–182, Dec. 2024, doi: 10.46510/jami.v5i2.320.
[13] A. A. Anggraini, V. S. Putri, and Z. Nuranti, “Pengaruh Pendidikan Kesehatan dan Pemberian Daun Seledri pada Pasien dengan Hipertensi di Wilayah RT 10 Kelurahan Murni,” Jurnal Abdimas Kesehatan (JAK), vol. 2, no. 1, p. 30, Jan. 2020, doi: 10.36565/jak.v2i1.89.
[14] S. C. Nurzanah, S. Alam, and T. I. Hermanto, “Analisis Association Rule untuk Identifikasi Pola Gejala Penyakit Hipertensi Menggunakan Algoritma Apriori (Studi kasus : Klinik rafina Medical Center),” Jurnal Informatika dan Komputer, vol. 5, no. 2, 2022.
[15] Wiwin Vidiyastana Afifah, Irfansyah Baharuddin Pakki, and Tanti Asrianti, “Analisis Faktor Risiko Kejadian Hipertensi Pada Lansia Di Wilayah Kerja Puskesmas Rapak Mahang Kecamatan Tenggarong Kabupaten Kutai Kartanegara,” Wal’afiat Hospital Journal, vol. 3, no. 1, 2022.
[16] H. Apriyani, “Perbandingan Metode Naïve Bayes Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes Melitus,” 2020. [Online]. Available: https://journalcomputing.org/index.php/journal-ita/index
[17] M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 2, p. 640, Apr. 2021.
[18] S. Budiman, A. Sunyoto, and A. Nasiri, “Analisa Performa Penggunaan Feature Selection untuk Mendeteksi Intrusion Detection Systems dengan Algoritma Random Forest Classifier,” 2021. [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[19] N. Hadi and J. Benedict, “Implementasi Machine Learning untuk Prediksi Harga Rumah Menggunakan Algoritma Random Forest,” 2024. [Online]. Available: https://www.kaggle.com/harlfoxem/housesalesprediction
[20] Y. Afrillia, L. Rosnita, and D. Siska, “Analisis Sentimen Ciutan Twitter Terkait Penerapan Permendikbudristek Nomor 30 Tahun 2021 Menggunakan TextBlob dan Support Vector Machine,” G-Tech: Jurnal Teknologi Terapan, vol. 6, no. 2, pp. 387–394, Oct. 2022.
[21] D. Ismafillah, T. Rohana, and Y. Cahyana, “Implementasi Model Support Vector Machine dan Logistic Regression Untuk Memprediksi Penyakit Stroke,” Jurnal Riset Komputer), vol. 10, no. 1, pp. 2407–389, 2023, [Online]. Available: http://ejurnal.stmikbudidarma.ac.id/index.php/jurikom
[22] F. Refindha, A. Harianto, Z. Alawi, and I. A. Sa’ida, “PENGARUH KOMPOSISI SPLIT DATA PADA AKURASI KLASIFIKASI PENDERITA DIABETES MENGGUNAKAN ALGORITMA MACHINE LEARNING,” Jurnal Sistem Informasi dan Informatika (Simika), vol. 8, no. 1, 2025.
[23] M. Dava Maulana et al., “ALGORITMA XGBOOST UNTUK KLASIFIKASI KUALITAS AIR MINUM,” 2023. [Online]. Available: https://www.kaggle.com/datasets/adityak
