Klasifikasi Diagnosis Penyakit Stroke Dengan Menggunakan Metode Random Forest

Nur Aliffiyanti Iskandar, Iin Ernawati, Yuni Widiastiwi

Abstract


Penyakit stroke menyebabkan kematian kedua dan kecacatan ketiga di dunia, dimana 70% penderita penyakit stroke terjadi pada negara berpenghasilan rendah dan menengah. Sementara itu, kematian dan kecacatan yang disebabkan oleh penyakit stroke menyumbang 87%. Penyakit stroke dan TIA (Transient Ischemic Attack) termasuk ke dalam kasus emergensi. Namun gejala dini penyakit stroke sulit untuk diketahui. Data mining dapat dimanfaatkan untuk mendiagnosis penyakit. Tujuan penelitian adalah mendapatkan model terbaik dengan Random Forest dari penggunaan beberapa pohon berbeda untuk penyakit stroke. Model dengan penggunaan jumlah pohon 90 menghasilkan nilai yang optimal, dimana nilai accuracy yang dihasilkan sebesar 95.2%, sensitivity sebesar 4.1%, specificity sebesar 99.8%, precision sebesar 66.7%, dan F-measure sebesar 7.6%. Serta ROC Curve sebesar 0.8048 yang menandakan bahwa model termasuk ke dalam Good Classification.


Keywords


Klasifikasi; Random Forest; Stroke

References


Khariri, & Saraswati, R. D. (2021). Transisi Epidemiologi Stroke sebagai Penyebab Kematian pada Semua Kelompok Usia di Indonesia. Seminar Nasional Riset Kedokteran (Sensorik II), 81–86.

Singh, Poonam Khetrapal. (2021). World Stroke Day. Diakses pada 6 Januari 2022, dari https://www.who.int/southeastasia/news/detail/28-10-2021-world-stroke-day

Gofir, A. (2021). Tatalaksana Stroke dan Penyakit Vaskuler Lain. Yogyakarta: UGM PRESS.

Ridwan, M. (2017). Mengenal, Mencegah, dan Mengatasi Silent Killer, "Stroke". Yogyakarta: Hikam Pustaka.

Harahap, A. H., Malik, I. M. B. A., Imam, M. I. N., Bilhaq, M. T. S., Nur, A. A., & Agustini, S. L. D. (2021). Klasifikasi Diagnosa Penyakit Jantung menggunakan Algoritma Random Forest. Teknik Informatika UIN Sunan Gunung Djati Bandung, 3, 1–51.

Apriliah, W., Kurniawan, I., Baydhowi, M., & Haryati, T. (2021). Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest. Sistemasi, 10(1), 163. https://doi.org/10.32520/stmsi.v10i1.1129

Tyasnurita, R., & Hapsari, S. W. (2020). Identification Of Chronic Kidney Disease Using Naive Bayes, Adaboost, And Random Forest Learning Methods. JITK (Jurnal Ilmu Pengetahuan Dan Teknologi Komputer), 6(1), 115–120. https://doi.org/10.33480/jitk.v6i1.1403

Saputri, N. D. (2021). Komparasi Penerapan Metode Bagging Dan Adaboost Pada Algoritma C4.5 Untuk Prediksi Penyakit Stroke. Universitas Islam Negeri Sunan Ampel.

Suliztia, M. L. (2020). Penerapan Analisis Random Forest pada Prototype Sistem Prediksi Harga Kamera Bekas Menggunakan Flask. In Fakultas Matematika Dan Ilmu Pengetahuan Alam. Universitas Islam Indonesia.

Pramana, S., Yuniarto, B., Mariyah, S., Santoso, I., & Nooraeni, R. (2018). Data Mining dengan R Konsep Serta Implementasi. Bogor: IN MEDIA.

Suyanto. (2017). Data Mining untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika Bandung.

Mutiara, E. (2020). Algoritma Klasifikasi Naive Bayes Berbasis Particle Swarm Optimization Untuk Prediksi Penyakit Tuberculosis ( TB ). Jurnal Swabumi, 8(1), 46–58.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

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