RAHMAWATI, Adelia Cindy Putri (2025) Penerapan K-Fold Cross Validation pada Algoritma k-Nearest Neighbor dan Naïve Bayes Classifier untuk Klasifikasi Penyakit Hipertensi (Studi Kasus: Pasien di Puskesmas Gesi, Sragen). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (189kB)
	Text 3. Halaman Pengesahan I.pdf Download (243kB)
	Text 4. Halaman Pengesahan II.pdf Download (216kB)
	Text 5. Kata Pengantar.pdf Download (160kB)
	Text 6. Abstrak.pdf Download (94kB)
	Text 7. Abstract.pdf Download (93kB)
	Text 8. Daftar Isi.pdf Download (263kB)
	Text 12. BAB I.pdf Download (249kB)

Abstract

Hipertensi merupakan masalah kesehatan global yang penting dan memiliki
dampak besar sebagai faktor risiko utama penyakit kardiovaskular, yang dapat
menyebabkan komplikasi serius jika tidak ditangani dengan baik. Deteksi dini
hipertensi sangat penting untuk mencegah dampak jangka panjang terhadap
kesehatan pasien. Penelitian ini bertujuan mengembangkan model klasifikasi yang
dapat memprediksi risiko hipertensi secara akurat, mendukung pencegahan lebih
awal, serta menyediakan aplikasi prediksi berbasis web dan dashboard interaktif
untuk analisis risiko hipertensi. Algoritma Naïve Bayes Classifier dan k-Nearest
Neighbor (k-NN) dipilih dalam penelitian ini karena kemudahan implementasi dan
kemampuan keduanya dalam menangani data medis yang kompleks. Penelitian ini
mengolah 1.132 data mentah dari Puskesmas Gesi, Sragen. Setelah melalui tahap
preprocessing, data tersebut menghasilkan 901 data bersih, yang selanjutnya dibagi
menjadi 810 data training (90%) dan 91 data testing (10%). Hasil penelitian
menunjukkan bahwa Naïve Bayes Classifier menghasilkan akurasi 90,1%, presisi
91,5%, recall 97,4%, dan F-1 score 94,4% sedangkan k-NN dengan parameter k =
3 menghasilkan akurasi 97,8%, presisi 98,7%, recall 98,7%, dan F-1 score 98,7%.
k-NN lebih efektif dalam mengidentifikasi pola-pola kompleks dalam data
hipertensi, menjadikannya pilihan yang lebih unggul dalam mendukung
pengambilan keputusan klinis yang lebih akurat. Penelitian ini juga
mengembangkan aplikasi prediksi risiko hipertensi dan dashboard interaktif
menggunakan Streamlit dan Looker Studio, yang memungkinkan pengguna
memprediksi risiko hipertensi secara interaktif.
Kata Kunci: Hipertensi, Klasifikasi, Naïve Bayes Classifier, k-Nearest Neighbor,
K-Fold Cross Validation, Streamlit, Dashboard, Looker Studio.

Actions (login required)

View Item