PREDIKSI PENYAKIT STROKE PADA DATA KESEHATAN MENGGUNAKAN ALGORITMA MACHINE LEARNING DAN METODE SMOTE

Armanda Sebayang, Seprata (2025) PREDIKSI PENYAKIT STROKE PADA DATA KESEHATAN MENGGUNAKAN ALGORITMA MACHINE LEARNING DAN METODE SMOTE. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (496kB)
	Text BAB II.pdf Restricted to Registered users only Download (1MB)
	Text BAB III.pdf Restricted to Registered users only Download (643kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (466kB)
	Text DAFTAR PUSTAKA.pdf Download (371kB)

Abstract

Stroke merupakan salah satu penyakit yang memiliki tingkat kematian tinggi di dunia dan dapat menyebabkan kecacatan permanen. Deteksi dini stroke sangat penting untuk mencegah dampak yang lebih serius. Penelitian ini bertujuan untuk membangun model prediksi penyakit stroke menggunakan algoritma Machine Learning dengan pendekatan Synthetic Minority Over-sampling Technique (SMOTE) guna menangani ketidakseimbangan data pada dataset kesehatan. Dalam penelitian ini, dilakukan Exploratory Data Analysis (EDA) untuk memahami karakteristik dataset, diikuti dengan preprocessing data, penerapan SMOTE, dan pelatihan beberapa model Machine Learning, yaitu Random Forest, Support Vector Machine (SVM), dan Decision Tree. Evaluasi model dilakukan menggunakan metrik akurasi, di mana Random Forest menunjukkan performa terbaik dengan akurasi 96%, diikuti oleh Decision Tree dengan 89%, dan Support Vector Machine dengan 80%. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest merupakan metode yang paling efektif dalam memprediksi penyakit stroke dibandingkan algoritma lainnya. Dengan model prediksi yang akurat, penelitian ini diharapkan dapat berkontribusi dalam bidang kesehatan, khususnya dalam membantu tenaga medis melakukan deteksi dini terhadap risiko stroke pada pasien.

Actions (login required)

View Item