Komparasi Metode Klasifikasi Data Mining Untuk Prediksi Penyakit Stroke

Abstract

Stroke merupakan penyakit dengan kondisi bahaya dan menjadi penyebab kematian nomor tiga setelah penyakit jantung koroner dan kanker. Kurangnya pengetahuan menjadikan masyarakat tidak menyadari tanda-tanda yang mungkin sudah terlihat. Apabila masyarakat mendapatkan pengenalan tentang penyakit stroke diharapkan dapat mengurangi dampak paling parah yaitu kematian. Oleh karena itu perlu dilakukan sebuah prediksi menggunakan metode klasifikasi. Hasil prediksi yang akurat dapat memudahkan para praktisi kesehatan dalam mengambil keputusan yang tepat. Data yang diambil merupakan data bersifat public dari situs kaggle. Pada penelitian ini Orange digunakan sebagai perangkat lunak. Penelitian ini melakukan sebuah perbandingan algoritma Naive Bayes, K-Nearest Neighbor dan Random Forest. Hasil yang diperoleh pada penelitian ini untuk algoritma Naive Bayes sebesar 71.9% accuracy, 71.7% precision, 71.9% recall. Sedangkan untuk algoritma K-NN mendapatkan nilai accuracy sebesar 73.6%, precision sebesar 73%, recall 73.6% dan untuk algoritma Random Forest mendapatkan nilai accuracy sebesar 92.5%, precision 92.5%, recall 92.5%.

Comparative Analysis of Stroke Classification Using the K-Nearest Neighbor Decision Tree, and Multilayer Perceptron Methods

“…A stroke is when blood flow to the brain stops, which results in a lack of oxygen, damages the brain and causes the loss of various vital functions [1], [2]. The leading cause of a stroke is usually a blood clot in an artery that carries blood to the brain.…”