Informasi Lainnya
Abstraksi
Sebagai <i>“silent killer”</i> dan kontributor utama kematian global, hipertensi seringkali tidak terdeteksi pada tahap awal yang tidak bergejala. Pengukuran tekanan darah manual merupakan cara minimal untuk memantau risiko jangka panjang pengembangan hipertensi. Namun, studi ini memperkenalkan model yang menggabungkan <i>Deep Neural Network</i> (DNN) dan <i>Random Forest</i> (RF), sehingga meningkatkan deteksi risiko tekanan darah tinggi. DNN memberikan representasi tingkat tinggi dari data pasien, dan klasifikasi <i>Random Forest</i> dilatih pada representasi laten untuk klasifikasi risiko akhir. Model ini diuji menggunakan dataset <i>Kaggle</i> yang tersedia secara publik, yang terdiri dari 1.024 data pasien berdasarkan 13 variabel klinis: jenis kelamin, usia, kebiasaan merokok, jumlah rokok yang dihisap per hari, penggunaan obat tekanan darah, status diabetes, kadar kolesterol total, tekanan darah sistolik dan diastolik, BMI, denyut jantung, kadar glukosa, dan label risiko hipertensi. Hasil penelitian menunjukkan bahwa model DNN-RF yang diusulkan memiliki kinerja yang jauh lebih baik daripada model dasar: <i>Logistic Regression</i>, <i>standalone Random Forest</i>, dan <i>standalone Deep Neural Network</i>. Studi ini menghasilkan nilai <i>accuracy</i> 0.894, <i>precision</i> 0.896, <i>recall</i> 0.891, <i>F1-score</i> 0.891, dan AUC 0.944. Hasil ini mendukung pembuktian bahwa penggabungan DNN dan RF secara signifikan meningkatkan kinerja prediksi, generalisasi, dan interpretabilitas, yang membantu dalam dukungan keputusan klinis untuk deteksi hipertensi.
Koleksi & Sirkulasi
Tersedia 1 dari total 1 Koleksi
