Publisher

UHBUHB

Journal Jurnal Kolaborasi Riset SarjanaJurnal Kolaborasi Riset Sarjana Abstract

Stroke merupakan salah satu penyebab kematian dan kecacatan terbesar di dunia, sehingga prediksi dini menjadi kritis untuk mencegah komplikasi serius. Penelitian ini mengembangkan sistem pendukung keputusan untuk memprediksi risiko stroke menggunakan algoritma Naïve Bayes yang dikombinasikan dengan Synthetic Minority Oversampling Technique (SMOTE) guna mengatasi ketidakseimbangan data pada Stroke Prediction Dataset (5110 sampel, 4,87% kasus stroke). Metode penelitian mencakup preprocessing data, penghapusan fitur non-informatif, encoding variabel kategorikal, oversampling menggunakan SMOTE, serta evaluasi performa model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SMOTE meningkatkan sensitivitas model secara signifikan, dengan nilai recall 93% dan F1-score 81%, meskipun precision mengalami penurunan akibat bertambahnya prediksi positif palsu. Temuan ini menegaskan pentingnya pemilihan metrik evaluasi yang tepat pada data tidak seimbang. Studi ini memberikan kontribusi dalam pengembangan pipeline prediksi medis berbasis Naïve Bayes dan menawarkan dasar bagi pengembangan model yang lebih akurat melalui optimasi parameter dan algoritma alternatif.

Conclusion

Penelitian ini menunjukkan bahwa integrasi metode Naïve Bayes dengan teknik oversampling SMOTE mampu meningkatkan performa model dalam mendeteksi risiko stroke pada dataset yang tidak seimbang, terutama melalui peningkatan nilai recall dan F1-score yang menggambarkan kemampuan model dalam mengenali kasus stroke secara lebih sensitif dan akurat.Meskipun terjadi penurunan nilai precision akibat meningkatnya prediksi positif palsu, trade-off ini masih dapat diterima pada konteks klinis, karena meminimalkan false negative dinilai jauh lebih penting dibandingkan risiko false positive dalam deteksi penyakit yang berpotensi fatal seperti stroke.Secara keseluruhan, penelitian ini berkontribusi pada pengembangan pipeline prediksi medis berbasis data tidak seimbang dan menegaskan bahwa Naïve Bayes tetap merupakan algoritma yang efisien dan kompetitif apabila didukung oleh teknik balancing yang tepat.

Future Research

Berdasarkan hasil penelitian, terdapat beberapa arah penelitian lanjutan yang dapat dieksplorasi untuk meningkatkan akurasi dan keandalan sistem prediksi risiko stroke. Pertama, penelitian selanjutnya dapat menginvestigasi penggunaan algoritma ensemble learning, seperti Random Forest atau Gradient Boosting, yang dikenal mampu menggabungkan kekuatan berbagai model untuk menghasilkan prediksi yang lebih akurat dan robust. Kedua, eksplorasi teknik optimasi parameter yang lebih canggih, seperti Particle Swarm Optimization (PSO), dapat dilakukan untuk menemukan konfigurasi parameter terbaik untuk algoritma Naïve Bayes dan SMOTE, sehingga memaksimalkan performa model pada dataset yang spesifik. Ketiga, penerapan metode explainable AI (XAI) seperti SHAP atau LIME dapat memberikan interpretasi klinis yang lebih jelas, memungkinkan praktisi kesehatan untuk memahami alasan di balik prediksi model dan meningkatkan kepercayaan terhadap sistem pendukung keputusan yang dikembangkan.

References

1. Perbaikan Akurasi Naïve Bayes dengan Chi-Square dan SMOTE Dalam Mengatasi High Dimensional... doi.org/10.30865/mib.v8i3.7886Perbaikan Akurasi NayEAve Bayes dengan Chi Square dan SMOTE Dalam Mengatasi High Dimensional doi 10 30865 mib v8i3 7886

Metadata

File size	587.15 KB
Pages	12
DMCA	Report