Pengembangan Algoritma Random Forest untuk Deteksi Dini Hipertensi Berbasis Web di Puskesmas Melintang
Kata Kunci:
Random Forest, Hipertensi, Deteksi Dini, Machine LearningAbstrak
Hipertensi merupakan kondisi medis kronis yang memerlukan deteksi dini untuk mencegah komplikasi berat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini hipertensi berbasis web menggunakan algoritma Random Forest yang dirancang khusus untuk Puskesmas Melintang. Penelitian menggunakan dataset sekunder berjumlah 1.985 rekam medis dengan 11 fitur klinis dan gaya hidup. Optimasi hyperparameter dilakukan menggunakan metode GridSearchCV. Hasil pengujian menunjukkan bahwa model mencapai tingkat akurasi sebesar 95,21% dan nilai Area Under the Curve (AUC) sebesar 0,9874. Sistem ini diimplementasikan menggunakan Flask sebagai backend, Streamlit sebagai frontend, dan disebarkan melalui infrastruktur Google Cloud Platform (GCP). Pengujian penerimaan pengguna (UAT) menunjukkan tingkat kepuasan yang sangat positif pada aspek kemudahan penggunaan, fungsionalitas, keluaran, dan utilitas. Implementasi sistem ini memberikan solusi digital yang efektif dan efisien untuk mengakselerasi proses skrining kardiovaskular dan mengurangi beban administrasi di fasilitas layanan kesehatan primer.
Unduhan
Referensi
Aditya, M. F. R., Azizah, N. L., & Indahyanti, U. (2024). Prediksi penyakit hipertensi menggunakan metode Decision Tree dan Random Forest. Jurnal Komputasi, Universitas Nusa Mandiri.
Alpaydin, E. (2024). Introduction to machine learning (4th ed.). MIT Press.
Chicco, D., Tötsch, N., & Jurman, G. (2024). Evaluation metrics and statistical tests for machine learning. Scientific Reports, 14, 56706. https://doi.org/10.1038/s41598-024-56706-x.
Harahap et al. (2021). Hubungan Peran Keluarga Mengontrol Gaya Hidup Penderita Hipertensi.
James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
Kementerian Kesehatan Republik Indonesia. (2023). Profil kesehatan Indonesia 2023. Jakarta: Kementerian Kesehatan RI.
Liu, Z., Chen, T., & Wang, X. (2021). Data preprocessing in healthcare machine learning: Challenges and solutions. Computational Intelligence in Medicine, 18(3), 101–118.
Novianti, S., Alkadri, S. P. A., & Fakhruzi, I. (2023). Klasifikasi penyakit hipertensi menggunakan metode Random Forest. Jurnal Progresif, STMIK Banjarbaru.
Nurjanah, A., Sari, L., Lanaya, D., & Djuria, R. F. (2022). Efektivitas Media Leaflet terhadap Pengetahuan Penggunaan Obat Antihipertensi di Puskesmas Melintang. Jurnal Ilmu dan Teknologi Kesehatan Terpadu, 3(1), 6–14. https://doi.org/10.53579/jitkt.v3i1.75.
Pramesti Dewi, P., Purwono, & Kurniawan, S. D. (2022). Pemanfaatan teknologi machine learning pada klasifikasi jenis hipertensi berdasarkan fitur pribadi. Jurnal SMARTCOMP, Politeknik Harapan Bersama.
Radzi, N. M., Harun, M. H., & Othman, M. (2022). User Acceptance Testing (UAT) Framework for web-based applications in the healthcare sector. IEEE Access, 10, 45123-45135.
Septian, E., Khaefi, M. R., Athoillah, A., Aisyah, D. N., Hardhantyo, M., & Rahman, F. M. (2025). Prediction of Personalised Hypertension Using Machine Learning in Indonesian Population. PubMed Central (PMC).
Singh, P. (2021). Deploy machine learning models to production: With Flask, Streamlit, Docker, and Kubernetes on Google Cloud Platform. Apress.
Tharwat, A. (2021). Classification assessment methods: a detailed tutorial. Applied Computing and Informatics, 17(1), 168-192.
World Health Organization. (2023). Hypertension fact sheet 2023. Geneva: WHO Press.
Yusup, R. M., & Rijanto, E. (2025). Analisis komparatif model pembelajaran mesin untuk memprediksi hipertensi ke dalam empat kelas berdasarkan JNC 8. Jurnal JTK3TI, Universitas Komputer Indonesia.
