Article Per Year (5 Year)
p-Index From 2021 - 2026
2.753
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer JOIV : International Journal on Informatics Visualization RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Adi Widya : Jurnal Pengabdian Masyarakat JOURNAL OF APPLIED INFORMATICS AND COMPUTING Journal of Information Systems and Informatics Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) International Journal of Business, Law, and Education Wasana Nyata Indonesian Journal Computer Science (ijcs) Dikdimas : Jurnal Pengabdian Kepada Masyarakat WASANA NYATA
Yusuf Sutanto
STIE-AUB Surakarta
Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Neuroscience Nursing Social Sciences Veterinary Other

Published : 18 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Indonesian Journal Computer Science (ijcs)

 1 
Algoritma Supervised Machine Learning Untuk Klasifikasi Diagnosa Penyakit Hipertensi Purnama, Bambang Eka; Sutanto, Yusuf
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.11141

Abstract

Setiap tahun, prevalensi penderita hipertensi mengalami peningkatan signifikan, dan diperkirakan tahun 2025, total pasien hipertensi akan menyentuh 1,5 miliar jiwa. Salah satu metode dalam data mining yang sering digunakan untuk klasifikasi adalah Support Vector Machine (SVM). Metode SVM berupaya menemukan hyperplane atau fungsi batas keputusan terbaik yang mampu memisahkan dua kelas atau lebih dari data dalam ruang masukan. Penelitian ini bertujuan untuk menentukan hasil klasifikasi dan akurasi diagnosis hipertensi menggunakan metode SVM. Sebelas atribut yang digunakan meliputi usia, kebiasaan merokok, aktivitas fisik, mengkonsumsi gula, mengkonsumsi garam, mengkonsumsi lemak, mengkonsumsi alkohol, kurangnya mengkonsumsi buah dan sayur, serta tekanan darah sistolik dan diastolik. Penelitian ini akan memanfaatkan perangkat lunak Jupyter Notebook dan bahasa pemrograman Python sebagai instrumen penelitian. Metode SVM dilatih dengan berbagai atribut kernel dan hyperparameter untuk menghasilkan model terbaik. Hasil penelitian menunjukkan bahwa kernel RBF dengan parameter C=100 dan ?=0,1menghasilkan akurasi sebesar 97,7%, menjadikannya model terbaik dalam mengklasifikasikan hipertensi. Dari hasil ini, dapat disimpulkan bahwa metode SVM mampu menghasilkan klasifikasi diagnosis hipertensi yang sangat baik dan dapat memberikan diagnosis untuk mendeteksi hipertensi secara dini. Lebih jauh lagi, luaran penelitian ini diharapkan berkontribusi dalam menekan angka mortalitas akibat hipertensi dan berpotensi untuk diaplikasikan lebih luas demi kemaslahatan masyarakat.
Co-Authors Akhmad Syukron Al Amin, Budi Aris Tri Haryanto Bambang Eka Purnama Bambang Eka Purnama Budi Al Amin Dahlan Susilo Endang Saryanti Galih Setiawan Nurohim Haryanti Haryanti Heribertus Ary Setyadi Nani Irma Susanti Nugroho, Anggoro Panji Pudji Widodo Rapiyanta , Paulus Tofan Rina Ani Sapariyah Siti Fatonah Sumaryanto Sumaryanto, Sumaryanto Supriyanta Supriyanta Susanti, Nani Susanti, Nani Irma Suseno, Adnan Terry Wahyuningsih, Hartati Dyah wardhana, galih wisnu Wawan Nugroho