Peningkatan Prediksi Kelainan Tekanan Darah dengan Logistic Regression dan Random Forest: Pendekatan Sequence Machine Learning
DOI:
https://doi.org/10.54259/pakmas.v6i1.4497Kata Kunci:
Abnormal Blood Pressure, Random Forest, Logistic Regression, Sequence Model, Medical Classification, HypertensionAbstrak
Deteksi dini abnormalitas tekanan darah termasuk aspek krusial dalam upaya pencegahan dan penanganan penyakit kardiovaskular yang menjadi penyebab utama kematian global. Penelitian ini mengusulkan pendekatan sequence machine learning yang mengintegrasikan Random Forest (RF) dan Logistic Regression (LR) untuk meningkatkan akurasi prediksi tekanan darah abnormal. Dataset yang digunakan diperoleh dari Kaggle, mencakup berbagai parameter klinis dan gaya hidup. Proses preprocessing mencakup penanganan missing values, label encoding, serta normalisasi fitur numerik. Evaluasi model individual menunjukkan bahwa Random Forest memiliki akurasi sebesar 0,83, sedangkan Logistic Regression mencapai akurasi 0,75. Model sequence yang memanfaatkan probabilitas prediksi dari Random Forest sebagai fitur tambahan pada Logistic Regression menghasilkan akurasi 0,84, mengindikasikan peningkatan performa prediksi. Analisis feature importance menunjukkan bahwa kadar hemoglobin, penyakit ginjal kronis, dan koefisien keturunan genetik termasuk prediktor dominan dalam klasifikasi tekanan darah abnormal. Temuan ini menegaskan efektivitas pendekatan sequence dalam menangani kompleksitas data medis dan meningkatkan akurasi sistem pendukung keputusan klinis untuk diagnosis dan manajemen hipertensi. Rekomendasi diarahkan pada pengembangan model lanjutan, pengumpulan data longitudinal, serta validasi eksternal untuk meningkatkan generalisasi model dalam berbagai konteks populasi klinis.
Unduhan
Referensi
Adrian, M. R., Putra, M. P., Rafialdy, M. H., & Rakhmawati, N. A. (2021). Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB. Jurnal Informatika Upgris, 7(1). https://doi.org/10.26877/jiu.v7i1.7099
Al Azhima, S. A. T., Darmawan, D., Arief Hakim, N. F., Kustiawan, I., Al Qibtiya, M., & Syafei, N. S. (2022). Hybrid Machine Learning Model untuk memprediksi Penyakit Jantung dengan Metode Logistic Regression dan Random Forest. Jurnal Teknologi Terpadu, 8(1), 40–46. https://doi.org/10.54914/jtt.v8i1.539
Andhika, R. (n.d.). MACHINE LEARNING DALAM PENGEMBANGAN PERANGKAT LUNAK | Integrative Perspectives of Social and Science Journal. Retrieved September 19, 2025, from https://ipssj.com/index.php/ojs/article/view/163
Aziz, F., & Abasa, S. (2025). PENGEMBANGAN DAN VALIDASI MODEL HYBRID MACHINE LEARNING UNTUK DIAGNOSIS AWAL DEPRESI. Journal Pharmacy and Application of Computer Sciences, 3(1), 8–15. https://doi.org/10.59823/jopacs.v3i1.69
Az’zahra Tarimana, A., Ryan Septian Fajar, M., Azriel Saktiawan, M., & Adi Saputra, R. (2024). PREDIKSI PENYAKIT HIPERTENSI MENGGUNAKAN MACHINE LEARNING DENGAN ALGORITMA REGRESI LOGISTIK. JATI (Jurnal Mahasiswa Teknik Informatika), 8(6), 12062–12068. https://doi.org/10.36040/jati.v8i6.11793
Bimo, A. A. (n.d.). Pemanfaatan Decision Tree pada Algoritma Random Forest untuk Klasifikasi Kanker Payudara. https://informatika.stei.itb.ac.id/~rinaldi.munir/Matdis/2024-2025/Makalah/Makalah-IF1220-Matdis-2024%20(121).pdf
Bodanki, P. (2021). Blood pressure data for disease prediction [Dataset]. Kaggle. https://www.kaggle.com/datasets/pavanbodanki/blood-press
Cheung, A. K., Chang, T. I., Cushman, W. C., Furth, S. L., Hou, F. F., Ix, J. H., Knoll, G. A., Muntner, P., Pecoits-Filho, R., Sarnak, M. J., Tobe, S. W., Tomson, C. R. V., Lytvyn, L., Craig, J. C., Tunnicliffe, D. J., Howell, M., Tonelli, M., Cheung, M., Earley, A., & Mann, J. F. E. (2021). Executive summary of the KDIGO 2021 Clinical Practice Guideline for the Management of Blood Pressure in Chronic Kidney Disease. Kidney International, 99(3), 559–569. https://doi.org/10.1016/j.kint.2020.10.026
Ermawati, Ibnas, R., & Kurniawan, B. A. (2024). Klasifikasi Penderita Anemia Menggunakan Metode Regresi Logistik. Jurnal MSA ( Matematika Dan Statistika Serta Aplikasinya), 11(2), 93–101. https://doi.org/10.24252/msa.v11i2.45083
Gori, T., Sunyoto, A., & Al Fatta, H. (2024). Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa. Jurnal Teknologi Informasi Dan Ilmu Komputer, 11(1), 215–224. https://doi.org/10.25126/jtiik.20241118074
Habibi, M. R., Hibatullah, F., Kusrini, D. E., Putri, D. A. P., Pratiwi, N. Y., Putri, F. E., Aisha, N., Putra, F. P., Diana, A. P. A., & Ramadlana, A. R. (2023). ANALISIS FAKTOR YANG MEMENGARUHI PRESTASI IPK MAHASISWA DENGAN MENGGUNAKAN REGRESI LOGISTIK. Journal of Innovation Research and Knowledge, 3(7), 1387–1394.
Hamrahian, S. M. (2022). Hypertension and Cardiovascular Disease in Patients with Chronic Kidney Disease. In J. McCauley, S. M. Hamrahian, & O. H. Maarouf (Eds.), Approaches to Chronic Kidney Disease (pp. 281–295). Springer International Publishing. https://doi.org/10.1007/978-3-030-83082-3_15
Kuneinen, S. M., Kautiainen, H., Ekblad, M. O., & Korhonen, P. E. (2024). Multifactorial prevention program for cardiovascular disease in primary care: Hypertension status and effect on mortality. Journal of Human Hypertension, 38(4), 322–328. https://doi.org/10.1038/s41371-024-00900-x
Nugraha, W., & Syarif, M. (2024). Evaluasi Performa Algoritma Klasifikasi dalam Prediksi Gagal Jantung: Studi Kasus Dataset Heart Failure Prediction. Techno.Com, 23(4), 897–908. https://doi.org/10.62411/tc.v23i4.11685
Pranandito, R., & Hendry, H. (2023). PERBANDINGAN PREDIKSI PENYAKIT SERANGAN JANTUNG MENGGUNAKAN MODEL MACHINE LEARNING. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 8(4), 1228–1237. https://doi.org/10.29100/jipi.v8i4.4165
Putra, F., Tahiyat, H. F., Ihsan, R. M., Rahmaddeni, R., & Efrizoni, L. (2024). Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia: Application of K-Nearest Neighbor Algorithm Using Wrapper as Preprocessing for Determination of Human Weight Information. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 273–281. https://doi.org/10.57152/malcom.v4i1.1085
Rangga Aditya Tarigan, L., & Dahlan, D. (2024). OPTIMALISASI FITUR DENGAN FORWARD SELECTION PADA ESTIMASI TINGKAT PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA KLASIFIKASI RANDOM FOREST. JATI (Jurnal Mahasiswa Teknik Informatika), 8(5), 10341–10348. https://doi.org/10.36040/jati.v8i5.11064
Saeed, S. M. A. (2023). The Effect of the Thyroid Gland on High Blood Pressure. Journal of Prevention, Diagnosis and Management of Human Diseases, 3(02), 13–17. https://doi.org/10.55529/jpdmhd.32.13.17
Salman, H. A., Kalakech, A., & Steiti, A. (2024). Random Forest Algorithm Overview. Babylonian Journal of Machine Learning, 2024, 69–79. https://doi.org/10.58496/BJML/2024/007
Saputro, D. K., Ajie, M. F. R., Azizah, S., & Hartanti, D. (2023). Penerapan Logistic Regression untuk Mendeteksi Penyakit Jantung pada Pasien. Prosiding Seminar Nasional Teknologi Informasi Dan Bisnis, 666–671.
Sari, P. K., & Suryono, R. R. (2024). KOMPARASI ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST UNTUK ANALISIS SENTIMEN METAVERSE. Jurnal Mnemonic, 7(1), 31–39. https://doi.org/10.36040/mnemonic.v7i1.8977
Simamora, P., Pasaribu, S. A., & Vera Wijaya. (2025). Peningkatan dan Optimalisasi Prediksi Harga Emas Menggunakan Metode Combine Machine Learning Random Forest dan Gradient Boosting. Jurnal Mahkota Informatika, 1(1), 42–52.
Sitanggang, D., Nicholas, N., Wilson, V., Sinaga, A. R. A., & Simanjuntak, A. D. (2022). IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI PENYAKIT JANTUNG MENGGUNAKAN METODE K-NEAREST NEIGHBOR DAN LOGISTIC REGRESSION. Jurnal Teknik Informasi Dan Komputer (Tekinkom), 5(2), 493. https://doi.org/10.37600/tekinkom.v5i2.698
Sun, Z., Wang, G., Li, P., Wang, H., Zhang, M., & Liang, X. (2024). An improved random forest based on the classification accuracy and correlation measurement of decision trees. Expert Systems with Applications, 237, 121549. https://doi.org/10.1016/j.eswa.2023.121549
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Florentina Yuni Arini, Rahmat Hidayat, Arzaki Zunior Putra, Muhammad Nur Furqon, Muhammad Zuniar Hilmi
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
