Implementasi metode Decision Tree CART dan Adaboost sebagai Ensemble Learning dalam penentuan klasifikasi diagnosis hipertensi

ABSTRAK:
Hipertensi adalah penyakit tidak menular yang menjadi salah satu penyebabkematian terbesar di Indonesia. Penyakit ini dapat merenggut nyawa seseorang tanpaadanya gejala sehingga disebut sebagai silent killer. Oleh karena itu, hipertensi perlumendapatkan penanganan sejak dini. Penelitian ini bertujuan untuk mendapatkanklasifikasi diagnosis hipertensi dengan menggunakan metode decision tree CART danadaboost sebagai ensemble learning dan juga pemanfaatan metode oversampling jenisSMOTE dengan menggunakan beberapa atribut yaitu jenis kelamin, konsumsi rokok,aktifitas fisik, konsumsi gula, konsumsi garam, konsumsi lemak, konsumsi buah dan sayur,konsumsi alkohol, tekanan sitolik, tekanan diastolik, umur, dan diagnosis hipertensi.Klasifikasi diagnosis hipertensi akan dibentuk dengan menggunakan decision tree CARTuntuk mendapatkan pohon klasifikasi yang nantinya akan dioptimalisasikan menggunakanteknik adaboost dengan 50 kali iterasi. Hasil penelitian menunjukkan bahwa model terbaikuntuk klasifikasi diagnosis hipertensi dengan menggunakan metode decision tree CARTdan adaboost sebagai ensemble learning adalah 90%:10%, dengan akurasi CART 95.91%dan meningkat ketika dioptimalisasikan dengan adaboost menjadi 96.78%. Hal inimenunjukkan bahwa metode decision tree CART dan adaboost sebagai ensemble learningsangat efektif dalam mendiagnosis penyakit hipertensi dan mempunyai potensi besar dalamupaya penanganan hipertensi dan deteksi dini

ABSTRACT:

Hypertension is a non-communicable disease that is one of the biggest causesof death in Indonesia. This disease can take a person’s life without any symptoms so it iscalled a silent killer. Therefore, hypertension needs to be treated early. This study aims toobtain a classification of hypertension diagnosis using the CART decision tree method andadaboost as ensemble learning and also the utilization of the SMOTE type oversamplingmethod using several attributes, namely gender, cigarette consumption, physical activity,sugar consumption, salt consumption, fat consumption, fruit and vegetable consumption,alcohol consumption, systolic pressure, diastolic pressure, age, and hypertension diagnosis.The classification of hypertension diagnosis will be formed using the CART decision treeto obtain a classification tree which will later be optimized using the adaboost techniquewith 50 iterations. The results showed that the best model for the classification ofhypertension diagnosis using the CART decision tree method and adaboost as ensemblelearning was 90%:10%, with a CART accuracy of 95.91% and increasing when optimizedwith adaboost to 96.78%. This shows that the CART and adaboost decision tree methodsas ensemble learning are very effective in diagnosing hypertension and have great potentialin hypertension treatment and early detection efforts.
مستخلص البحث:

ارتفاع ضغط الدم مرض غير معد يعد أحد أكبر أسباب الوفاة في إندونيسيا. يمكن أن يودي هذاالمرض بحياة الشخص دون أعراض لذلك يطلق عليه القاتلالصامت. لذلك ، يجب عالج ارتفاع ضغط الدممبكرا. تهدف هذه الدراسة إلى الحصول على تصنيف لتشخيص ارتفاع ضغط الدم باستخدام طرقCARTوadaboostكتعلم جماعيوأيضا استخدام طريقةاإلفراط في أخذ العيناتمن نوعSMOTEباستخدامعدة سمات وهي الجنس ، واستهالك السجائر ، والنشاط البدني ، واستهالك السكر ، واستهالك الملح ،واستهالك الدهون ، واستهالك الفاكهة والخضروات ، واستهالك الكحول ، والضغط الخلوي ، والضغطالخلوي االنبساطي والعمر وتشخيص ارتفاع ضغط الدم. سيتم تشكيل تصنيف تشخيص ارتفاع ضغط الدمباستخدامشجرة قرارCARTللحصول على شجرة تصنيف سيتم تحسينها الحقا باستخدام تقنيةadaboostمع٠٥تكرارا. أظهرت النتائج أن أفضل نموذج لتصنيف تشخيصارتفاع ضغط الدم باستخدام طرقCARTوadaboostشجرة القراركتعلمجماعيكان90:٪10٪، بدقةCART 95.91٪وزاد عند تحسينه معadaboostإلى96.78٪. هذا يدل على أن طرقشجرة القرارCARTوadaboostكتعلمجماعيفعالةجدا في تشخيص ارتفاع ضغط الدم ولديها إمكانات كبيرة في الجهود المبذولة لعالج ارتفاع ضغط الدم والكشفالمبكر.