Klasifikasi Risiko Strok Menggunakan Algoritma Random Forest dengan Teknik Knowledge Discovery in Database

Abstract

Strok merupakan suatu kondisi ketika aliran darah ke otak mengalami gangguan, yang dapat menyebabkan kerusakan otak bahkan kematian. Strok juga merupakan penyebab utama kematian dan kecacatan yang terjadi pada seluruh dunia. Dengan tingkat kecelakaan yang tinggi, deteksi dini strok sangat diperlukan untuk mengurangi risiko strok. Penelitian ini bertujuan untuk mengklasifikasi risiko strok berdasarkan algoritma Random Forest dengan melalui pendekatan Knowledge Discovery in Database (KDD). Dataset yang digunakan merupakan dataset dari platform Kaggle yang terdiri dari 35.000 data pasien dengan 18 atribut relevan yang telah melalui proses pembersihan dan fitur pemilihan untuk mencapai akurasi prediksi yang optimal. Model training dilakukan dengan membagi data sebesar 80% data training dan 20% data testing. Hasil dari evaluasi mengunakan confusion matrixnya menunjukkan bahwa Algoritma Random Forest memiliki akurasi sebesar 87,47% dengan precision pada kelas 1 sebesar 96,40% dan recall sebesar 68,53%, serta precision pada kelas 0 sebesar 84,51% dan recall sebesar 98,51%. Namun, tantangan utama dalam penelitian ini adalah ketidakseimbangan data, yang mempengaruhi kemampuan model dalam mengenali kasus strok secara merata. Penelitian selanjutnya dianjurkan untuk menerapkan teknik penyeimbangan data serta menggabungkan Random Forest dengan algoritma lain guna meningkatkan akurasi dan keandalan prediksi.