Optimalisasi Kinerja Algoritma Random Forest Untuk Deteksi Dini Penyakit Stroke Menggunakan Data Rekam Medis

Amarya, Theo Krisna (2025) Optimalisasi Kinerja Algoritma Random Forest Untuk Deteksi Dini Penyakit Stroke Menggunakan Data Rekam Medis. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2113030108.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (Similarity) RAMA_57201_2113030108_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (964kB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2113030108_0731087703_0721018801_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (BAB 2) RAMA_57201_2113030108_0731087703_0721018801_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (505kB) | Request a copy
	Text (BAB 3) RAMA_57201_2113030108_0731087703_0721018801_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (273kB) | Request a copy
	Text (BAB 4) RAMA_57201_2113030108_0731087703_0721018801_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (580kB) | Request a copy
	Text (BAB 5) RAMA_57201_2113030108_0731087703_0721018801_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (307kB) | Request a copy
	Text (References) RAMA_57201_2113030108_0731087703_0721018801_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (2MB)
	Text (Lampiran) RAMA_57201_2113030108_0731087703_0721018801_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (350kB) | Request a copy

Abstract

Stroke merupakan kondisi darurat medis yang terjadi ketika pasokan darah ke otak terganggu, baik karena penyumbatan (stroke iskemik) maupun pecahnya pembuluh darah (stroke hemoragik). Kondisi ini tidak hanya menjadi penyebab kematian kedua terbesar di dunia tetapi juga penyebab utama kecacatan jangka panjang. Faktor risiko seperti hipertensi, diabetes, gaya hidup tidak sehat, dan usia semakin meningkatkan prevalensi stroke. Deteksi dini stroke sangat krusial untuk mengurangi dampak buruknya, namun tantangan seperti ketidakseimbangan data dan akurasi model prediksi sering menghambat efektivitas sistem diagnosis. Oleh karena itu, penelitian ini berfokus pada pengembangan model prediksi stroke yang lebih akurat dengan mengatasi masalah ketidakseimbangan data dan optimasi parameter algoritma. Penelitian ini bertujuan meningkatkan kinerja algoritma Random Forest sebagai model deteksi dini stroke dengan mengombinasikan metode hybrid sampling SMOTETomek untuk menangani ketidakseimbangan data. SMOTETomek menggabungkan oversampling (SMOTE) dan undersampling (Tomek Links) guna menyeimbangkan distribusi kelas. Selain itu, dilakukan hyperparameter tuning pada Random Forest untuk mengoptimalkan performanya. Algoritma ini juga diintegrasikan dengan AdaBoost sebagai boosting technique guna meningkatkan stabilitas dan akurasi prediksi. Dataset yang digunakan mencakup variabel seperti tekanan darah, kadar gula, riwayat kesehatan, dan gaya hidup pasien. Hasil penelitian menunjukkan peningkatan signifikan dibandingkan studi sebelumnya, dengan akurasi mencapai 96% (standar deviasi 0%) dan nilai Area Under Curve (AUC) Receiver Operating Characteristic (ROC) sebesar 0.96 (96%). Kombinasi SMOTETomek dan optimasi parameter berhasil mengurangi bias pada data minoritas, sementara integrasi AdaBoost memperkuat generalisasi model. Hasil ini mengungguli penelitian sebelumnya yang hanya mencapai akurasi 94% dengan standar deviasi 2%, membuktikan efektivitas pendekatan hybrid dan tuning parameter. Penelitian ini berhasil mengoptimalkan algoritma Random Forest untuk deteksi dini stroke dengan akurasi tinggi dan konsistensi yang baik. Namun, limitasi seperti ketergantungan pada data historis dan kebutuhan validasi eksternal masih perlu diatasi. Untuk pengembangan selanjutnya, disarankan eksplorasi deep learning atau ensemble methods lain, serta uji coba pada dataset yang lebih besar dan beragam untuk memastikan robustnes model. Implementasi real-time dengan integrasi sistem kesehatan juga dapat menjadi langkah strategis berikutnya

Actions (login required)

View Item