Klasifikasi Penyakit Hipertensi Menggunakan Metode Decision Tree C4.5

Hipertensi merupakan masalah kesehatan global dengan prevalensi tinggi yang berpotensi memicu komplikasi serius, sehingga memerlukan mekanisme deteksi dini yang cepat dan presisi. Pemanfaatan machine learning menawarkan solusi analitik untuk mendukung diagnosis penyakit berdasarkan rekaman data medis secara otomatis. Penelitian ini bertujuan untuk mengklasifikasikan penyakit hipertensi menggunakan algoritma Decision Tree C4.5 berbasis kriteria entropyrnyang diterapkan pada dataset pasien dari UPT Puskesmas Modopuro, Kabupaten Mojokerto. Proses pemodelan melibatkan 1.537 data rekam medis dengan atribut utama yang dievaluasi meliputi tekanan darah Sistole, Diastole, dan Umur. Untuk mengevaluasi keandalan sistem, pengujian dilakukan melalui variasi skenario rasio pembagian data (70:30, 80:20, 90:10) serta penyesuaian tingkat kedalaman pohon (max_depth 3, 5, dan 7). Hasil penelitian membuktikan bahwa model mencapai performa paling optimal pada konfigurasi rasio data 90:10 dengan max_depth 3, yang menghasilkan tingkat akurasi tertinggi sebesar 92,98%. Berdasarkan interpretasi struktur pohon keputusan yang terbentuk, atribut Sistole teridentifikasi sebagai indikator klinis paling dominan (root node) dalam membedakan diagnosis kelas hipertensi dan normal. Secara keseluruhan, penerapan arsitektur algoritma C4.5 ini terbukti sangat efisien, akurat, serta mampu merepresentasikan aturan logis keputusan yang transparan, menjadikannya sangat potensial untuk diimplementasikan sebagai sistem pendukung keputusan medis.
Kata kunci: Hipertensi, Klasifikasi, Decision Tree