UMLAUMLA

Indonesian Journal of Engineering, Science and TechnologyIndonesian Journal of Engineering, Science and Technology

Stroke merupakan salah satu penyebab utama kematian di dunia. Menurut Organisasi Kesehatan Dunia (WHO), stroke, termasuk iskemik dan hemoragik, menyumbang sekitar 11% dari kematian global. Oleh karena itu, prediksi dini sangat penting sebagai bagian dari upaya mencegah risiko stroke dan membantu profesional kesehatan dalam pengambilan keputusan klinis. Penelitian ini bertujuan mengembangkan model prediksi risiko stroke menggunakan algoritma CatBoost, serta menginterpretasikan hasil prediksi menggunakan pendekatan Intelijen Buatan yang Dapat Dijelaskan (XAI) melalui metode SHAP. Hasil evaluasi model CatBoost menunjukkan kinerja yang kuat, dengan AUC = 0,98, F1-score = 0,91, presisi = 0,92, recall = 0,90, dan akurasi 0,93. Selain itu, analisis XAI menggunakan SHAP menunjukkan bahwa model CatBoost tidak hanya memberikan prediksi akurat tinggi tetapi juga berhasil mengidentifikasi fitur paling relevan yang menyebabkan risiko stroke, yaitu usia, indeks massa tubuh (BMI), dan tingkat glukosa rata-rata. Akhirnya, uji banding dengan berbagai model pembelajaran mesin lain menunjukkan bahwa model CatBoost memberikan kinerja terbaik dan sangat berguna dalam memprediksi risiko stroke.

Penelitian ini bertujuan memprediksi risiko stroke menggunakan model CatBoost yang dikombinasikan dengan kerangka kerja evaluasi kinerja.Beberapa tahap dilakukan, termasuk pra-pemrosesan data, pengembangan model CatBoost, pelatihan, pengujian, dan evaluasi.Selain itu, pendekatan Intelijen Buatan yang Dapat Dijelaskan (XAI) diterapkan menggunakan metode SHAP (Shapley Additive Explanations).Akhirnya, dilakukan analisis perbandingan dengan model pembelajaran mesin lain.Hasil menunjukkan bahwa model CatBoost mencapai AUC = 0,98, F1-score = 0,91, presisi = 0,92, recall = 0,90, dan akurasi 0,93.Selain itu, analisis SHAP menunjukkan bahwa model tidak hanya memberikan kinerja prediktif tinggi tetapi juga mengidentifikasi fitur dominan yang terkait risiko stroke, yaitu usia, BMI, dan tingkat glukosa rata-rata.Hasil akhir menunjukkan bahwa model CatBoost memberikan kinerja terbaik dalam prediksi risiko stroke dibandingkan model pembelajaran mesin lainnya.

Penelitian lanjutan dapat fokus pada pengembangan model prediksi stroke dengan menggabungkan teknik XAI lain seperti LIME atau SHAP untuk memperkuat interpretasi model. Selain itu, penting untuk mengeksplorasi data klinis yang lebih beragam dari berbagai wilayah geografis agar model dapat diterapkan secara universal. Terakhir, penelitian bisa mengkaji penggunaan model CatBoost dalam prediksi risiko penyakit kronis lain seperti diabetes atau penyakit jantung, dengan mempertimbangkan faktor-faktor khusus yang relevan untuk setiap kondisi penyakit.

Read online
File size996.26 KB
Pages11
DMCAReport

Related /

ads-block-test