Komparasi Algoritma Menggunakan Teknik Smote Dalam Melakukan Klasifikasi Penyakit Stroke Otak

Abstract

Stroke merupakan salah satu penyakit yang mematikan. Hal ini dapat terjadi karena gangguan fungsi otak yang terjadi secara mendadak progresif dan cepat. Namun untuk mengetahui gejala dini penyakit stroke sulit untuk diketahui. Penerapan pengetahuan data mining dapat digunakan untuk mendiagnosa penyakit. Penelitian ini dilakukan untuk mengimplementasikan data mining dalam melakukan klasifikasi penyakit stroke otak. Dataset yang digunakan didapat dari Kaggle berjumlah 4891 data. Namun dataset tersebut tidak seimbang jumlah data setiap kelas. Untuk melakukan penyeimbangan data digunakan teknik SMOTE bertujuan untuk dapat meningkatkan akurasi. Penerapan algoritma klasifikasi yang digunakan yaitu algoritma Logistic Regression (LR), Random Forest (RF), Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN) bertujuan untuk mengetahui performa algortima terbaik. Penelitian ini menghasilkan bahwa perbandingan dari keempat algoritma didapatkan bahwa algoritma LR, RF dan SVM menghasilkan nilai akurasi, precision, recall dan f1-score tertinggi yaitu akurasi 95%, precision 95%, recall 100% dan f1-score 97%.. Sedangkan algoritma KNN dihasilkan nilai akurasi, precision, recall dan f1-score lebih rendah yaitu akurasi 90%, precision 95%, recall 85% dan f1-score 90%.