Identifikasi Hipertensi Melalui Klasifikasi Menggunakan Support Vector Machine (SVM) pada Data Survei Behavioral Risk Factor Surveillance System (BRFSS) U.S Centers for Disease Control and Prevention

Hipertensi, atau dikenal sebagai "pembunuh senyap", merupakan masalah kesehatan global yang serius karena perkembangannya sering tanpa gejala signifikan hingga menyebabkan kerusakan organ vital. Menurut World Health Organization (WHO), sekitar 1,28 miliar orang dewasa di dunia menderita hipertensi, dengan prevalensi di Indonesia mencapai 34,1% pada individu berusia ≥18 tahun. Kurangnya deteksi dini dan kesadaran masyarakat memperburuk kondisi ini, sehingga meningkatkan risiko komplikasi seperti penyakit jantung, stroke, dan gagal ginjal. Penelitian ini bertujuan mengembangkan sistem klasifikasi hipertensi menggunakan metode Support Vector Machine (SVM) dengan Kernel Polynomial untuk meningkatkan akurasi deteksi dini. SVM dipilih karena kemampuannya menangani data berdimensi tinggi dan kompleks, serta ketahanannya terhadap overfitting. Penelitian ini menggunakan dataset dari Behavioral Risk Factor Surveillance System (BRFSS) yang terdiri dari 26.083 sampel dengan 13 fitur klinis seperti usia, tekanan darah, kolesterol, dan hasil EKG. Pada tahap pra-pemrosesan dilakukan penanganan missing value, label encoding, dan normalisasi menggunakan Min-Max Scaler. Model SVM dioptimalkan dengan parameter C 10, γ 0.7, dan degree 3, yang dipilih berdasarkan studi literatur dan karakteristik data. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 99% pada rasio pembagian data 80:20 (training:testing), dengan presisi 98,34%, recall 99,4%,dan F1-score 98,87%. Tingginya nilai recall mengindikasikan kemampuan model dalam mendeteksi kasus hipertensi secara komprehensif. Implementasi model ke dalam aplikasi berbasis Streamlit memungkinkan prediksi risiko hipertensi secara real-time berdasarkan input parameter klinis.