KLASIFIKASI PASIEN HIPERTENSI BERDASARKAN KARAKTERISTIK FISIK MENGGUNAKAN ALGORITMA DECISION TREE

1 , Listautin2 , Samsinar3
Program Studi Administrasi Rumah Sakit
STIKES Garuda Putih
Email:
ABSTRAK
Hipertensi merupakan salah satu penyakit tidak menular yang menjadi masalah kesehatan utama karena dapat meningkatkan risiko penyakit jantung, stroke, gagal ginjal, serta berbagai komplikasi lainnya. Tingginya jumlah kasus hipertensi di UPTD Puskesmas Pakuan Baru Kota Jambi menunjukkan perlunya pemanfaatan teknologi untuk membantu proses klasifikasi pasien berdasarkan karakteristik fisik. Penelitian ini bertujuan untuk mengidentifikasi variabel yang paling berpengaruh dan mengetahui tingkat akurasi algoritma Decision Tree dalam mengklasifikasikan pasien hipertensi berdasarkan karakteristik fisik. Metode yang digunakan adalah data mining dengan algoritma Decision Tree. Data penelitian berasal dari rekam medis elektronik pasien hipertensi periode Januari 2024 hingga Desember 2025 sebanyak 13.548 data. Tahapan penelitian meliputi pengumpulan data, preprocessing, transformasi data, impor data ke aplikasi RapidMiner, pemodelan menggunakan algoritma Decision Tree, analisis pohon keputusan, dan evaluasi model menggunakan confusion matrix. Setelah proses preprocessing, diperoleh 9.998 data yang memenuhi kriteria untuk dianalisis. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu menghasilkan model klasifikasi kondisi hipertensi dengan tingkat akurasi sebesar 97,60%. Variabel yang paling berpengaruh dalam proses klasifikasi adalah tekanan darah sistolik yang menjadi root node pada pohon keputusan, diikuti oleh tekanan darah diastolik. Model yang dihasilkan mampu mengklasifikasikan pasien ke dalam kategori Optimal, Normal, Normal Tinggi, Hipertensi Derajat 1, Hipertensi Derajat 2, dan Hipertensi Derajat 3. Penelitian ini menyimpulkan bahwa algoritma Decision Tree memiliki kemampuan yang sangat baik dalam mengklasifikasikan kondisi hipertensi pasien berdasarkan karakteristik fisik sehingga berpotensi digunakan sebagai pendukung pengambilan keputusan dalam pengelolaan data kesehatan di UPTD Puskesmas Pakuan Baru Kota Jambi.
Kata Kunci: Hipertensi, Decision Tree, Data Mining, Klasifikasi, Karakteristik Fisik

ABSTRACT

Hypertension is one of the major non-communicable diseases and a significant public health problem because it increases the risk of heart disease, stroke, kidney failure, and various other complications. The high number of hypertension cases at Pakuan Baru Public Health Center (UPTD Puskesmas Pakuan Baru), Jambi City, indicates the need for technology utilization to support the patient classification process based on physical characteristics. This study aims to identify the most influential variables and determine the accuracy level of the Decision Tree algorithm in classifying hypertensive patients based on their physical characteristics. The method used in this study is data mining with the Decision Tree algorithm. The research data were obtained from electronic medical records of hypertensive patients from January 2024 to December 2025, totaling 13,548 records. The research stages included data collection, preprocessing, data transformation, data import into RapidMiner, modeling using the Decision Tree algorithm, decision tree analysis, and model evaluation using a confusion matrix. After the preprocessing stage, 9,998 records met the criteria for analysis. The results showed that the Decision Tree algorithm was able to generate a hypertension classification model with an accuracy rate of 97.60%. The most influential variable in the classification process was systolic blood pressure, which became the root node of the decision tree, followed by diastolic blood pressure. The resulting model was able to classify patients into the categories of Optimal, Normal, High Normal, Grade 1 Hypertension, Grade 2 Hypertension, and Grade 3 Hypertension. This study concludes that the Decision Tree algorithm has excellent capability in classifying hypertension conditions based on physical characteristics and has the potential to be used as a decision-support tool in health data management at Pakuan Baru Public Health Center, Jambi City.
Keywords: Hypertension, Decision Tree, Data Mining, Classification, Physical Characteristics.