PLBPLB
TEMATIKTEMATIKTekanan 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.
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.
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.
- 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
- 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
- Journal of Hypertension. journal hypertension doi.org/10.1097/HJH.0000000000002922Journal of Hypertension journal hypertension doi 10 1097 HJH 0000000000002922
| File size | 236.94 KB |
| Pages | 7 |
| DMCA | Report |
Related /
STMIKJAYAKARTASTMIKJAYAKARTA Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa model deep learning Convolutional Neural Network (CNN) berbasis arsitekturPenelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa model deep learning Convolutional Neural Network (CNN) berbasis arsitektur
UMIUMI Dengan menggunakan metode studi kasus multi-perusahaan, penelitian ini melibatkan delapan UKM ritel di tiga kota besar Indonesia. Data dikumpulkan melaluiDengan menggunakan metode studi kasus multi-perusahaan, penelitian ini melibatkan delapan UKM ritel di tiga kota besar Indonesia. Data dikumpulkan melalui
UMIUMI Proses pengembangan mengadopsi metodologi Scrum, sedangkan validasi sistem dilakukan melalui Black Box Testing. Hasil pengujian menunjukkan bahwa sistemProses pengembangan mengadopsi metodologi Scrum, sedangkan validasi sistem dilakukan melalui Black Box Testing. Hasil pengujian menunjukkan bahwa sistem
UMSUMS Results: The results of pre and post values in groups 1 and 2 showed changes from degrees II and III down to degrees I and II. The sig value of p= 0. 000Results: The results of pre and post values in groups 1 and 2 showed changes from degrees II and III down to degrees I and II. The sig value of p= 0. 000
UMIUMI Sekolah dapat mengimplementasi IASP2020 untuk terus-menerus memonitor kinerja setiap faktor untuk penjaminan mutu sekolah. Pada factor kompetensi guruSekolah dapat mengimplementasi IASP2020 untuk terus-menerus memonitor kinerja setiap faktor untuk penjaminan mutu sekolah. Pada factor kompetensi guru
UMIUMI Sistem ini dikembangkan menggunakan metode waterfall, yang meliputi analisis kebutuhan, desain sistem, implementasi, integrasi, pengujian, dan pemeliharaan.Sistem ini dikembangkan menggunakan metode waterfall, yang meliputi analisis kebutuhan, desain sistem, implementasi, integrasi, pengujian, dan pemeliharaan.
UIN Ar-RaniryUIN Ar-Raniry Penelitian ini bertujuan untuk mengembangkan model menggunakan Convolutional Neural Network (CNN) dan Region-Based Convolutional Neural Network (R-CNN)Penelitian ini bertujuan untuk mengembangkan model menggunakan Convolutional Neural Network (CNN) dan Region-Based Convolutional Neural Network (R-CNN)
EBSINAEBSINA Intervensi yang diberikan meliputi pencegahan primer (pendidikan kesehatan), pencegahan sekunder (skrining hipertensi dan pemberdayaan kader), dan pencegahanIntervensi yang diberikan meliputi pencegahan primer (pendidikan kesehatan), pencegahan sekunder (skrining hipertensi dan pemberdayaan kader), dan pencegahan
Useful /
UIN Ar-RaniryUIN Ar-Raniry Keamanan sistem informasi merupakan aspek yang perlu diperhatikan. Keamanan informasi terdiri dari 3 aspek yaitu Kerahasiaan, Integritas, KetersediaanKeamanan sistem informasi merupakan aspek yang perlu diperhatikan. Keamanan informasi terdiri dari 3 aspek yaitu Kerahasiaan, Integritas, Ketersediaan
EBSINAEBSINA Ansietas dapat menurunkan konsentrasi, sehingga berpotensi berbahaya bagi individu yang akan melakukan pekerjaan berisiko cedera. Penelitian ini bertujuanAnsietas dapat menurunkan konsentrasi, sehingga berpotensi berbahaya bagi individu yang akan melakukan pekerjaan berisiko cedera. Penelitian ini bertujuan
EBSINAEBSINA This was influenced by several factors, such as excessive exposure to information on social media, fatigue from using social media, as well as academicThis was influenced by several factors, such as excessive exposure to information on social media, fatigue from using social media, as well as academic
EBSINAEBSINA Desain penelitian yang digunakan adalah deskriptif korelasional dengan pendekatan cross-sectional terhadap 84 responden yang dipilih menggunakan teknikDesain penelitian yang digunakan adalah deskriptif korelasional dengan pendekatan cross-sectional terhadap 84 responden yang dipilih menggunakan teknik