Prediksi Hipertensi menggunakan Decision Tree, Naïve Bayes dan Artificial Neural Network pada software KNIME

Mayanda Mega Santoni; Nurul Chamidah; Nurhafifah Matondang

doi:10.33633/tc.v19i4.3872

Authors

Mayanda Mega Santoni Universitas Pembangunan Nasional Veteran Jakarta
Nurul Chamidah Universitas Pembangunan Nasional Veteran Jakarta
Nurhafifah Matondang Universitas Pembangunan Nasional Veteran Jakarta

DOI:

https://doi.org/10.33633/tc.v19i4.3872

Keywords:

Hipertensi, Decision Tree, Naïve Bayes, Artificial Neural Networks, KNIME

Abstract

Hipertensi merupakan salah satu penyakit tidak menular yang dapat menyebabkan kematian karena meningkatkan resiko munculnya berbagai penyakit seperti gagal ginjal, gagal jantung, bahkan stroke. Resiko hipertensi disebabkan oleh beberapa faktor penyebab seperti usia, keturunan, pola makan dan olahraga, dan merokok. Teknologi artificial intelligence yakni machine learning dimanfaatkan di bidang kesehatan khususnya prediksi penyakit hipertensi. Pada penelitian ini diimplementasi tiga algoritma machine learning yakni decision tree, naïve bayes dan artificial neural networks. Data yang digunakan pada penelitian ini sebanyak 274 data yang diperoleh dari hasil kuesioner dengan 26 pertanyaan, dimana 25 pertanyaan adalah variabel faktor resiko dan satu pertanyaan merupakan kelas yang menyatakan responden memiliki riwayat hipertensi atau tidak. Data diolah menggunakan platform analisis data yakni KNIME. Sebelum data diolah untuk membangun model klasifikasi menggunakan decision tree, naïve bayes dan artificial neural network, data dipraproses terlebih dahulu dengan melakukan imputasi missing value, oversampling dan normalisasi data. Selanjutnya pembagian data menggunakan 5-fold cross validation. Model klasifikasi yang diperoleh dievaluasi menggunakan nilai akurasi, recall dan precision. Hasil evaluasi dari eksperimen yang dilakukan diperoleh bahwa algoritma artificial neural network memiliki tingkat performa lebih baik dibandingkan decision tree dan naïve bayes dengan nilai akurasi sebesar 94.7%, recall sebesar 91.5% dan precision sebesar 97.7%.

References

J. Lee, H. Davari, J. Singh, and V. Pandhare, “Industrial Artificial Intelligence for industry 4.0-based manufacturing systems,” Manuf. Lett., vol. 18, pp. 20–23, 2018.

D. Lafreniere, F. Zulkernine, D. Barber, and K. Martin, “Using machine learning to predict hypertension from a clinical dataset,” in 2016 IEEE Symposium Series on Computational Intelligence, SSCI 2016, 2017.

B. O. Afeni, T. I. Aruleba, and I. A. Oloyede, “Hypertension Prediction System Using Naive Bayes Classifier,” J. Adv. Math. Comput. Sci., pp. 1–11, Sep. 2017.

A. Wang, N. An, G. Chen, L. Li, and G. Alterovitz, “Predicting hypertension without measurement: A non-invasive, questionnaire-based approach,” Expert Syst. Appl., vol. 42, no. 21, pp. 7601–7609, 2015.

I. P. Adebayo, “Idowu Peter Adebayo. Predictive Model for the Classification of Hypertension Risk Using Decision Trees Algorithm,” Am. J. Math. Comput. Model., vol. 2, no. 2, pp. 48–59, 2017.

A. Naik and L. Samant, “Correlation Review of Classification Algorithm Using Data Mining Tool: WEKA, Rapidminer, Tanagra, Orange and Knime,” Procedia Comput. Sci., vol. 85, no. Cms, pp. 662–668, 2016.

S. Dwivedi, P. Kasliwal, and S. Soni, “Comprehensive study of data analytics tools (RapidMiner, Weka, R tool, Knime),” 2016 Symp. Colossal Data Anal. Networking, CDAN 2016, 2016.

R. Samant and S. Rao, “Evaluation of Artificial Neural Networks in Prediction of Essential Hypertension,” Int. J. Comput. Appl., vol. 81, no. 12, pp. 34–38, 2013.

N. Azwanti, E. Elisa, U. P. Batam, and J. R. S. Kuning, “InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Analisis Pola Penyakit Hipertensi Menggunakan Algoritma C4 . 5,” vol. 2, 2019.

Sci-kit-Learn, “Cross-validation: evaluating estimator performance,” 2015. [Online]. Available: http://scikit-learn.org/stable/modules/cross_validation.html.

N. Chamidah, M. M. Santoni, and N. Matondang, “Pengaruh Oversampling pada Klasifikasi Hipertensi dengan Algoritma,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 4, pp. 635–641, 2021.