Penelitian ini dilatarbelakangi adanya kebutuhan akan sistem prediksi yang dapat membantu dalam mengidentifikasi pasien yang memiliki risiko terkena hipertensi sejak dini. 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 di diagnosa 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 machine learning yang memiliki akurasi tinggi dalam mengatasi masalah pembelajaran biner. Model dibuat dengan melatih algoritma Gradient Boosting Decision Tree pada 70693 baris dataset dari Pusat Pengendalian dan Pencegahan Penyakit Amerika Serika. Dataset tersebut memiliki 17 perilaku dan riwayat kesehatan seseorang yang dapat mengindikasikan risiko hipertensi orang tersebut. Algoritma Gradient Boosting Decision Tree dioptimalkan menggunakan beberapa metode hyperparameter tuning yaitu Random Search, Grid Search, Bayesian Optimization, Grading Search, dan Tree Parzer Estimation. Validasi tertinggi diperoleh dari pengoptimalan model menggunakan Tree Parzer Estimation, yaitu mencapai akurasi 74,43%.
Copyrights © 2023