Publisher

PLBPLB

Journal TEMATIKTEMATIK Abstract

Tekanan darah tinggi merupakan salah satu penyakit kronis yang menjadi faktor risiko utama penyakit kardiovaskular dan membutuhkan deteksi dini untuk mencegah komplikasi serius. Penelitian sebelumnya telah menerapkan model Artificial Neural Network (ANN) berbasis data klinis nyata dengan tingkat akurasi sekitar 85%, namun masih terbatas pada jenis dan ketersediaan dataset tertentu. Selain itu, pemanfaatan dataset sintetis yang bersifat realistis sebagai alternatif pengujian model masih relatif jarang dilakukan. Oleh karena itu, penelitian ini bertujuan mengembangkan model ANN dalam melakukan klasifikasi biner terhadap individu dengan dan tanpa tekanan darah tinggi menggunakan dataset synthetic but realistic. Data latih digunakan untuk melatih model dengan memantau metrik accuracy dan validation loss, sementara evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model ANN mencapai akurasi sebesar 87,8%, dengan kemampuan yang seimbang dalam mengidentifikasi pasien tekanan darah tinggi maupun non-tekanan darah tinggi. Confusion matrix memperlihatkan jumlah prediksi benar yang cukup tinggi pada kedua kelas, sehingga menegaskan kemampuan model dalam mendukung klasifikasi biner pada data kesehatan. Temuan ini menunjukkan bahwa ANN tetap memberikan kinerja yang sangat baik meskipun diterapkan pada dataset synthetic but realistic, serta berpotensi menjadi pendekatan yang efektif untuk mendukung sistem pendukung keputusan medis, khususnya dalam mendeteksi dini tekanan darah tinggi dan mengurangi risiko komplikasi jangka panjang melalui intervensi yang lebih tepat waktu.

Conclusion

Penelitian ini berhasil mengembangkan model Artificial Neural Network (ANN) untuk memprediksi risiko tekanan darah tinggi menggunakan pendekatan klasifikasi biner berbasis dataset sintetis yang realistis.Model tersebut mencapai tingkat akurasi sebesar 87,8% dengan performa yang seimbang dalam mengklasifikasikan individu dengan dan tanpa hipertensi.Hasil ini menunjukkan bahwa dataset sintetis yang dirancang dengan baik dapat merepresentasikan karakteristik data klinis secara akurat dan menjadi alternatif pengujian yang layak bagi model prediksi berbasis kecerdasan buatan.

Future Research

Berdasarkan keterbatasan penelitian dan potensi pengembangan lebih lanjut, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, perlu dilakukan validasi eksternal model ANN ini dengan menggunakan dataset klinis nyata untuk menguji tingkat generalisasi dan keandalannya dalam kondisi dunia nyata. Kedua, penelitian selanjutnya dapat mengeksplorasi penggunaan teknik augmentasi data untuk meningkatkan variasi dataset sintetis, sehingga model dapat lebih robust terhadap perbedaan karakteristik pasien. Ketiga, integrasi data longitudinal, seperti riwayat tekanan darah dan perubahan gaya hidup pasien, ke dalam model ANN dapat meningkatkan akurasi prediksi risiko hipertensi dalam jangka panjang. Penelitian-penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan sistem pendukung keputusan medis yang lebih efektif dan personal untuk pencegahan serta penanganan tekanan darah tinggi.

References

1. MODEL PREDIKSI OTOMATIS JENIS PENYAKIT HIPERTENSI DENGAN PEMANFAATAN ALGORITMA MACHINE LEARNING ARTIFICIAL... ejournal.um-sorong.ac.id/index.php/insect/article/view/1828MODEL PREDIKSI OTOMATIS JENIS PENYAKIT HIPERTENSI DENGAN PEMANFAATAN ALGORITMA MACHINE LEARNING ARTIFICIAL ejournal um sorong ac index php insect article view 1828
2. Global Disparities of Hypertension Prevalence and Control | Circulation. global disparities hypertension... ahajournals.org/doi/10.1161/CIRCULATIONAHA.115.018912Global Disparities of Hypertension Prevalence and Control Circulation global disparities hypertension ahajournals doi 10 1161 CIRCULATIONAHA 115 018912
3. Journal of Hypertension. journal hypertension doi.org/10.1097/HJH.0000000000002922Journal of Hypertension journal hypertension doi 10 1097 HJH 0000000000002922

Metadata

File size	236.94 KB
Pages	7
DMCA	Report