Analisis Prediksi Risiko Stroke Menggunakan Algoritma Random Forest Classifier (RFC) Dan Support Vector Machine (SVM)

Rosmeilina Anggreini

Sari


Stroke adalah salah satu penyebab utama kematian dan kecacatan di dunia, sehingga mendeteksi penyakit ini sejak dini sangat penting dalam upaya mencegahnya. Penelitian ini bertujuan untuk memprediksi risiko stroke menggunakan dua algoritma klasifikasi, yaitu Random Forest Classifier (RFC) dan Support Vector Machine (SVM), serta membandingkan performanya. Tahapan pengolahan data meliputi penanganan nilai kosong, transformasi fitur, normalisasi, serta penyeimbangan data menggunakan SMOTE. Model dilatih dan diuji, kemudian dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil menunjukkan bahwa RFC memiliki akurasi yang lebih tinggi yaitu 88,45%, namun recall yang diperoleh relatif rendah yaitu 20%, sedangkan SVM memiliki recall yang lebih baik yaitu 70% dengan akurasi sebesar 75,44%. Meskipun nilai AUC dari kedua model tidak terlalu jauh berbeda, sekitar 0,78 hingga 0,79, SVM lebih  sesuai diterapkan dalam sistem deteksi dini stroke karena memiliki sensitivitas yang lebih baik terhadap kasus positif.

Kata kunci— Stroke, Klasifikasi, Random Forest Classifier, Support Vector Machine.

Teks Lengkap:

PDF

Referensi


A. P. Siregar, D. P. Purba, J. P. Pasaribu, and K. R. Bakara, “Implementasi Algoritma Random Forest Dalam Klasifikasi Diagnosis Penyakit Stroke,” J. Penelit. Rumpun Ilmu Tek., vol. 2, no. 4, pp. 155–164, 2023, doi: https://doi.org/10.55606/juprit.v2i4.3039.

D. R. Nurqotimah, A. N. Khudori, and R. S. Pradini, “Implementasi Algoritma Support Vector Machine (SVM) Untuk Klasifikasi Penyakit Stroke,” J. Appl. Comput. Sci. Technol., vol. 5, no. 2, p. press, 2024, doi: https://doi.org/10.52158/jacost.v5i2.817.

Y. A. Utama and S. S. Nainggolan, “Faktor Resiko yang Mempengaruhi Kejadian Stroke: Sebuah Tinjauan Sistematis,” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 1, p. 549, 2022, doi: http://dx.doi.org/10.33087/jiubj.v22i1.1950.

A. Setiawan, R. F. Waleska, M. A. Purnama, Rahmaddeni, and L. Efrizoni, “Komparasi ALgoritma K-Nearest Neighboor (K-NN), Support Vector Machine (SVM), dan Decision Tree Dalam Klasifikasi Penyakit Stroke,” J. Inform. Rekayasa Elektron., vol. 7, no. 1, p. 3, 2024, doi: https://doi.org/10.36595/jire.v7i1.1161.

C. L. Bhuana and H. W. Nugroho, “Perbandingan Decision Tree C4.5 dan Support Vector Machine (SVM) Dalam Klasifikasi Penderita Stroke Berbasis PSO,” J. SIMADA (Sistem Inf. dan Manaj. Basis Data), vol. 6, no. 1, pp. 24–34, 2023, doi: 10.30873/simada.v6i1.3429.

F. Fadmadika, H. H. Handayani, T. Al Mudzakir, and J. Indra, “Pengaruh Smote Terhadap Performa Algoritma Random Forest Dan Algoritma Gradient Boosting Dalam Memprediksi Penyakit Stroke,” J. Tek. Inf. dan Komput., vol. 7, no. 2, p. 837, 2024, doi: https://doi.org/10.37600/tekinkom.v7i2.1575.

R. Wahyudi, K. I. Manik, M. Alfin, J. B. Henrydunan, M. H. Al Majid, and K. Saputra, “Klasifikasi Penyakit Migrain Menggunakan Metode Support Vector Machine,” J. Manaj. Inform. Sist. Inf., vol. 8, no. 2, pp. 176–187, 2025, doi: https://doi.org/10.36595/misi.v8i2.1587.

Alwaliyanto, S. K. Gusti, I. Afrianty, and F. Syafria, “Penerapan Metode ADASYN Dalam Mengatasi Imbalanced Data Untuk Klasifikasi Penyakit Stroke Menggunakan Support Vector Machine,” Media Online), vol. 5, no. 4, pp. 532–541, 2025, doi: https://doi.org/10.47065/bulletincsr.v5i4.612.

A. R. Dana, R. V. Kristananda, M. B. S. Wibowo, and D. A. Prasetya, “Perbandingan Algoritma Decision Tree dan Random Forest dengan Hyperparameter Tuning dalam Mendeteksi Penyakit Stroke,” Semin. Nas. Inform. Bela Negara, vol. 4, pp. 66–75, 2024, [Online]. Available: https://santika.upnjatim.ac.id/submissions/index.php/santika/article/view/349

A. Ristyawan, A. Nugroho, and T. K. Amarya, “Optimasi Preprocessing Model Random Forest untuk Prediksi Stroke,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 12, no. 1, 2025, doi: https://doi.org/10.35957/jatisi.v12i1.9587.

J. D. Muthohhar and A. Prihanto, “Analisis Perbandingan Algoritma Klasifikasi untuk Penyakit Jantung,” J. Informatics Comput. Sci., vol. 04, pp. 298–304, 2023, doi: 10.26740/jinacs.v4n03.p298-304.


Refbacks

  • Saat ini tidak ada refbacks.


EJECTS: Jurnal Computer, Technology, and Informations System

Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

View My Stats