Prediksi Penyakit Stroke Menggunakan Machine Learning Dengan Algoritma Random Forest

Mellya Putri

Sari


Sistem rekomendasi Penyakit stroke merupakan salah satu penyakit yang sering menimbulkan dampak yang serius bagi penderitanya. Oleh karena itu, prediksi penyakit stroke menjadi penting untuk dapat melakukan tindakan pencegahan yang tepat. Penelitian ini bertujuan untuk melakukan prediksi penyakit stroke menggunakan teknik machine learning dengan algoritma Random Forest. Data yang digunakan dalam penelitian ini berasal dari kumpulan data pasien yang terdiri dari berbagai atribut seperti usia, jenis kelamin, tekanan darah, dan lainnya. Proses prediksi dilakukan dengan memanfaatkan algoritma Random Forest untuk mengidentifikasi faktor-faktor risiko yang berkontribusi terhadap penyakit stroke. Hasil evaluasi menggunakan confusion matrix menunjukkan tingkat akurasi model yang baik dalam memprediksi kemungkinan seseorang terkena penyakit stroke. Berdasarkan pengujian yang telah dilakukan menghasilkan 933 stroke dengan benar (TP), 11 stroke yang sebenarnya bukan stroke (FP), 0 stroke yang sebenarnya stroke (FN), dan 988 stroke yang sebenarnya bukan stroke (TN).


Kata Kunci


Penyakit Stroke, Prediksi, Machine Learning, Random Forest.

Teks Lengkap:

PDF

Referensi


Alhabib, I. (2022). Komparasi Metode Deep Learning, Naïve Bayes Dan Random Forest Untuk Prediksi Penyakit Jantung. Informatics For Educators And Professional : Journal of Informatics, 6(2), 176. https://doi.org/10.51211/itbi.v6i2.1881

Azhar, Y., Firdausy, A. K., & Amelia, P. J. (2022). Perbandingan Algoritma Klasifikasi Data Mining Untuk Prediksi Penyakit Stroke. SINTECH (Science and Information Technology) Journal, 5(2), 191–197. https://doi.org/10.31598/sintechjournal.v5i2.1222

Azwanti, N., & Elisa, E. (2019). Analisis Pola Penyakit Hipertensi Menggunakan Algoritma C4.5. InfoTekJar (Jurnal Nasional Informatika Dan Teknologi Jaringan), 3(2), 116–123. https://doi.org/10.30743/infotekjar.v3i2.944

Cahyanti, F. L. D., Sarasati, F., Astuti, W., & Firasari, E. (2023). Klasifikasi Data Mining Dengan Algoritma Machine Larning Untuk Prediksi Penyakit Liver. Technologia : Jurnal Ilmiah, 14(2), 134. https://doi.org/10.31602/tji.v14i2.10093

Chrisanto, E. Y., Ernita, C., Erlianti, F., Umsani, U., & Putri, E. L. (2022). Penyuluhan kesehatan tentang stroke. Journal Of Public Health Concerns, 2(3), 131–134. https://doi.org/10.56922/phc.v2i3.203

Depari, D. H., Widiastiwi, Y., & Santoni, M. M. (2022). Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung. Informatik : Jurnal Ilmu Komputer, 18(3), 239. https://doi.org/10.52958/iftk.v18i3.4694

Erlin, Yulvia Nora Marlim, Junadhi, Laili Suryati, & Nova Agustina. (2022). Deteksi Dini Penyakit Diabetes Menggunakan Machine Learning dengan Algoritma Logistic Regression. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 11(2), 88–96. https://doi.org/10.22146/jnteti.v11i2.3586

Fachid, S., & Triayudi, A. (2022). Perbandingan Algoritma Regresi Linier dan Regresi Random Forest Dalam Memprediksi Kasus Positif Covid-19. Jurnal Media Informatika Budidarma, 6(1), 68. https://doi.org/10.30865/mib.v6i1.3492

Fadli, M., & Saputra, R. A. (2023). Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke Classification And Evaluation Of Performance Models Random Forest For Stroke Prediction. 12(02), 72–80.

Generosa Lukhayu Pritalia. (2022). Analisis Komparatif Algoritme Machine Learning dan Penanganan Imbalanced Data pada Klasifikasi Kualitas Air Layak Minum. KONSTELASI: Konvergensi Teknologi Dan Sistem Informasi, 2(1), 43–55. https://doi.org/10.24002/konstelasi.v2i1.5630

Hayadi, B. H., & Damanik, A. R. (2022). Pendekatan Machine Learning Menggunakan Algoritma C4 . 5 Berbasis Pso Dalam Analisa. Jurnal Informatika Dan Teknik Elektro Terapan, 10(3).

Hovi, H. S. W., Id Hadiana, A., & Rakhmat Umbara, F. (2022). Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM). Informatics and Digital Expert (INDEX), 4(1), 40–45. https://doi.org/10.36423/index.v4i1.895

Nasrullah, A. H. (2021). Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris. Jurnal Ilmiah Ilmu Komputer, 7(2), 45–51. https://doi.org/10.35329/jiik.v7i2.203

Rizky, M., & Andarsyah, R. (2023). Klasifikasi MIT-BIH Arrhythmia Database Metode Random Forest dan CNN dengan Model ResNet-50: A Systematic Literature Review. Jurnal Teknologi Dan Sistem Informasi Bisnis, 5(3), 190–196. https://doi.org/10.47233/jteksis.v5i3.825

Sari, L., Romadloni, A., & Listyaningrum, R. (2023). Penerapan Data Mining dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest. Infotekmesin, 14(1), 155–162. https://doi.org/10.35970/infotekmesin.v14i1.1751

Sidik, A. D., & Ansawarman, A. (2022). Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning. Formosa Journal of Multidisciplinary Research, 1(3), 559–568. https://doi.org/10.55927/fjmr.v1i3.745

Sinaga, S. H., Duha, A. A. M., & Banjarnahor, J. (2023). Analisis Prediksi Deteksi Stroke Dengan Pendekatan Eda Dan Perbandingan Algoritma Machine Learning. Jurnal Ilmiah Betrik, 14(02 AGUSTUS), 355–367.

Sriyanto, & Ria Supriyatna, A. (2023). Prediksi Penyakit Diabetes Menggunakan Algoritma Random Forest. Ijccs, 17 No. 1(x), 1–5.

Sulaeman, K. R. (2022). Analisis Algoritma Support Vector Machine Dalam Klasifikasi Penyakit Stroke Support Vector Machine Algorithm Analysis In Stroke Disease Classification. E-Proceeding of Engineering, 9(3), 922–928.

TUNIK, T. (2022). Faktor-Faktor Penyebab Dan Pencegahan Terjadinya Stroke Berulang. Healthy : Jurnal Inovasi Riset Ilmu Kesehatan, 1(2), 101–108. https://doi.org/10.51878/healthy.v1i2.1114

Wanto, A., & Windarto, A. P. (2017). Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation. Jurnal & Penelitian Teknik Informatika Sinkron, 2(2), 37–43. https://zenodo.org/record/1009223#.Wd7norlTbhQ

Peraturan menteri kesehatan republik indonesia nomor 25 tahun

tentang rencana aksi nasional kesehatan lanjut usia tahun 2016-2019, (2019)




DOI: http://dx.doi.org/10.30811/jim.v9i1.5199

Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##