Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Tata Kelola dan Kerangka Kerja Teknologi Informasi
Yusup, Ramdhan Maulana
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Komparatif Model Pembelajaran Mesin Untuk Memprediksi Hipertensi Ke Dalam Empat Kelas Berdasarkan JNC 8 Yusup, Ramdhan Maulana; Rijanto, Estiko
Jurnal Tata Kelola dan Kerangka Kerja Teknologi Informasi Vol. 10 No. 2 (2024): Desember 2024
Publisher : Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/jtk3ti.v10i2.15422

Abstract

Teknologi pembelajaran mesin telah muncul sebagai alat untuk memprediksi hipertensi dengan algoritma seperti Random Forest, Support Vector Machine (SVM), Gradient Boosting, dan XGBoost. Namun, sebagian besar penelitian sebelumnya mengkategorikan hipertensi menjadi dua kelompok berdasarkan ketentuan World Health Organization (WHO), yaitu normal dan hipertensi, yang kurang memberikan informasi rinci untuk penatalaksanaan optimal. Laporan kedelapan dari Joint National Committee 8 (JNC 8) memperkenalkan klasifikasi yang lebih rinci ke dalam empat kelas: normal, prehipertensi, hipertensi stadium 1, dan hipertensi stadium 2, yang memungkinkan penilaian risiko yang lebih spesifik dan personal. Digunakan dua dataset yang berbeda untuk mengevaluasi kinerja model, yaitu dataset dengan atribut faktor risiko yang mudah dikumpulkan (easy-to-collect), dan dataset dengan tambahan atribut biokimia berupa gula darah, kolesterol, dan trigliserida. Pendekatan langsung dan tidak langsung juga diterapkan untuk menganalisis pengaruhnya terhadap kinerja model. Validasi internal dan eksternal digunakan untuk mengevaluasi kinerja model, dimana pada validasi internal digunakan 10-fold cross validation. Hasil menunjukkan bahwa penambahan atribut biokimia secara signifikan meningkatkan kinerja model pembelajaran mesin dalam hal akurasi, precision, recall, specificity, F1-score, dan AUC. Pendekatan tidak langsung menunjukkan peningkatan nilai akurasi model, meski disertai dengan penurunan nilai AUC. Kinerja terbaik didapatkan oleh algortima XGBoost, dimana validasi internal dan eksternal menunjukkan nilai akurasi tertinggi dengan menggunakan pendekatan tidak langsung sebesar 86,38% dan 80.22%, sedangkan AUC tertinggi didapatkan dengan pendekatan langsung dengan nilai sebesar 97.25% dan 94.54%. Kata kunci— Faktor risiko, hipertensi, klasifikasi multi kelas, pembelajaran mesin.
Analisis Komparatif Model Pembelajaran Mesin Untuk Memprediksi Hipertensi Ke Dalam Empat Kelas Yusup, Ramdhan Maulana; Rijanto, Estiko
Jurnal Tata Kelola dan Kerangka Kerja Teknologi Informasi Vol. 11 No. 1 (2025): Mei 2025
Publisher : Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/jtk3ti.v1i1.16206

Abstract

Teknologi pembelajaran mesin telah muncul sebagai alat untuk memprediksi hipertensi dengan algoritma seperti Random Forest, Support Vector Machine (SVM), Gradient Boosting, dan XGBoost. Namun, sebagian besar penelitian sebelumnya mengkategorikan hipertensi menjadi dua kelompok berdasarkan ketentuan World Health Organization (WHO), yaitu normal dan hipertensi, yang kurang memberikan informasi rinci untuk penatalaksanaan optimal. Laporan kedelapan dari Joint National Committee 8 (JNC 8) memperkenalkan klasifikasi yang lebih rinci ke dalam empat kelas: normal, prehipertensi, hipertensi stadium 1, dan hipertensi stadium 2, yang memungkinkan penilaian risiko yang lebih spesifik dan personal. Digunakan dua dataset yang berbeda untuk mengevaluasi kinerja model, yaitu dataset dengan atribut faktor risiko yang mudah dikumpulkan (easy-to-collect), dan dataset dengan tambahan atribut biokimia berupa gula darah, kolesterol, dan trigliserida. Pendekatan langsung dan tidak langsung juga diterapkan untuk menganalisis pengaruhnya terhadap kinerja model. Validasi internal dan eksternal digunakan untuk mengevaluasi kinerja model, dimana pada validasi internal digunakan 10-fold cross validation. Hasil menunjukkan bahwa penambahan atribut biokimia secara signifikan meningkatkan kinerja model pembelajaran mesin dalam hal akurasi, precision, recall, specificity, F1-score, dan AUC. Pendekatan tidak langsung menunjukkan peningkatan nilai akurasi model, meski disertai dengan penurunan nilai AUC. Kinerja terbaik didapatkan oleh algortima XGBoost, dimana validasi internal dan eksternal menunjukkan nilai akurasi tertinggi dengan menggunakan pendekatan tidak langsung sebesar 86,38% dan 80.22%, sedangkan AUC tertinggi didapatkan dengan pendekatan langsung dengan nilai sebesar 97.25% dan 94.54%.
Co-Authors Estiko Rijanto