Perpustakaan Digital ITB

Hipertensi merupakan faktor risiko utama penyakit kardiovaskular dengan prevalensi yang terus meningkat, namun penanganannya masih cenderung reaktif. Pendekatan machine learning berpotensi mengestimasi risiko lebih dini, tetapi sifat black box membatasi kepercayaan klinis, sedangkan luaran numerik Explainable Artificial Intelligence (XAI) sulit dipahami masyarakat awam dan Large Language Model (LLM) generik rentan halusinasi medis. Penelitian ini merancang dan mengimplementasikan sistem estimasi risiko hipertensi yang mengintegrasikan machine learning, XAI, dan LLM agar prediksi akurat, transparan, dan komunikatif. Metode penelitian mengikuti kerangka CRISP-DM menggunakan data sekunder IFLS-5 yang menghasilkan 30.251 responden dewasa dengan sebelas fitur non-invasif. Dari empat algoritma yang diuji melalui studi ablasi dua skenario pada validation set, CatBoost terpilih sebagai model akhir dengan ROC-AUC 0,78 serta akurasi 0,72 pada titik operasi Youden Index, memenuhi kriteria keberhasilan (ROC-AUC ? 0,75 dan akurasi ? 0,70). Interpretasi model dilakukan dengan SHAP, sedangkan narasi dibangun melalui arsitektur dua lapis: nilai dan arah pengaruh ditetapkan secara deterministik dari SHAP, sementara LLM (llama-3.1-8b-instant) menyederhanakan bahasa agar mudah dipahami oleh pengguna. Seluruh komponen diintegrasikan ke purwarupa berbasis web. Validasi oleh sepuluh dokter atas lima kasus representatif memperoleh rerata 3,45 pada skala Likert 1–5 (valid), dan pengujian oleh 53 pengguna umum menunjukkan penerimaan tinggi dengan rerata di atas 4,1. Sistem ini terbukti mampu menyajikan estimasi risiko yang akurat, transparan, dan mudah dipahami sebagai alat bantu skrining awal dan edukasi faktor risiko, bukan sebagai pengganti diagnosis tenaga kesehatan.