PENERAPAN SELEKSI FITUR RANDOM FOREST PADA KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN MODEL LOGISTIC REGRESSION

Hipertensi merupakan ancaman kesehatan global yang sering kali tidak disadari karena minimnya gejala awal. Dalam pendiagnosaan medis, terdapat banyak parameter klinis yang sering kali mengandung data redundan sehingga meningkatkan kompleksitas komputasi. Penelitian ini bertujuan untuk mengoptimalkan performa klasifikasi penyakit hipertensi melalui integrasi seleksi fitur Random Forest dan model Logistic Regression. Metode penelitian menggunakan pendekatan eksperimental dengan sequential pipeline. Teknik pengambilan data dilakukan melalui ekstraksi rekam medis sekunder dari fasilitas kesehatan primer. Analisis data dilakukan dengan membandingkan empat skenario reduksi dimensi berdasarkan variasi jumlah pohon keputusan dan metode ambang batas. Hasil penelitian menunjukkan bahwa pemangkasan dimensi dari sembilan fitur menjadi lima fitur inti yaitu tekanan sistole, usia, tekanan diastole, tinggi badan, dan Indeks Massa Tubuh mampu meningkatkan akurasi model dari 91,44% menjadi 91,74%. Selain itu, efisiensi waktu komputasi meningkat drastis dengan reduksi waktu eksekusi dari 0,088 detik menjadi 0,007 detik. Penelitian ini membuktikan bahwa seleksi fitur secara empiris dapat mengeliminasi noise serta meningkatkan kapabilitas prediktif model klasifikasi dalam diagnosis medis.