Skripsi/Tugas Akhir

Implementasi Decision Tree dan Random Forest untuk Prediksi Hipertensi pada Puskesmas Desa Pucak

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Model machine learning random forest dan decision tree digunakan untuk melakukan prediksi hipertensi pada pasien yang datang ke puskesmas Pucak. Kami menggunakan random forest untuk membuat model machine learning berdasarkan fitur-fitur yang berhubungan dengan kondisi pasien, seperti usia, tinggi badan, berat badan, tekanan darah sistolik dan diastolik, denyut jantung, dan indeks massa tubuh (BMI). Sementara itu, decision tree digunakan untuk membuat model machine learning skoring berdasarkan gaya hidup dan pola makan seseorang untuk mengetahui tingkat kerentangan seseorang terkena hipertensi. Kedua model machine learning ini memiliki tugas masing-masing dalam membantu dokter dalam membuat keputusan yang tepat dan mempercepat proses diagnostik bagi pasien hipertensi. Hasil penelitian kami menunjukkan bahwa random forest dan decision tree masing-masing memiliki tingkat akurasi yang baik dalam melakukan prediksi hipertensi. Kami berharap hasil penelitian ini dapat membantu dokter dan profesional kesehatan lainnya untuk membuat keputusan yang tepat dan mempercepat proses diagnostik bagi pasien hipertensi.
Kata Kunci: Random Forest, Decision Tree, Machine Learning, Prediksi Hipertensi, Kondisi Pasien, Gaya Hidup, Pola Makan, Proses Diagnostik.

ABSTRACK
We utilized random forest and decision tree machine learning models to predict hypertension in patients visiting Pucak health center. We used random forest to create a machine learning model based on features related to the patient's condition, such as age, height, weight, systolic and diastolic blood pressure, heart rate, and body mass index (BMI). Meanwhile, decision tree was used to create a machine learning model scoring based on someone's lifestyle and dietary patterns to determine their susceptibility to hypertension. Both machine learning models have their respective tasks in assisting doctors in making accurate decisions and speeding up the diagnostic process for hypertension patients. Our research results show that both random forest and decision tree models have good accuracy rates in predicting hypertension. We hope that this research will help doctors and other healthcare professionals make informed decisions and accelerate the diagnostic process for hypertension patients.
Keywords: Random Forest, Decision Tree, Machine Learning, Hypertension Prediction, Patient Condition, Lifestyle, Dietary Pattern, Diagnostic Process.

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

[Tidak Ada]

No. Panggil

SKR 23-47 ARI i - 0001RPL

Penerbit

Makassar : ., 2023

Deskripsi Fisik

xiii + 127 hlm.; 28,5 x 20,5 cm

Bahasa

Indonesia

ISBN/ISSN

[Tidak Ada]

Klasifikasi

SKR 23-47

Tipe Isi

Text dan Gambar

Edisi/Cetakan

[Tidak Ada]

Subjek

Skripsi/Tugas Akhir
Decision Tree
Algoritma Random Forest

Lampiran File