<![CDATA[Strok merupakan salah satu penyebab kematian tertinggi di dunia, sehingga deteksi dini sangat penting untuk mengurangi risiko fatalitas. Namun, data klinis terkait penyakit ini umumnya mengalami ketidakseimbangan kelas (class imbalance) yang ekstrem, yang dapat memengaruhi keandalan model prediktif. Penelitian ini membandingkan performa empat algoritma machine learning, yaitu Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree untuk memprediksi risiko strok menggunakan Healthcare Strok Dataset dari Kaggle yang terdiri atas 5.110 data pasien berdasarkan 11 fitur prediktor (proporsi kelas tidak strok 95,13% dan strok 4,87%). Untuk mengatasi ketidakseimbangan data, metode Synthetic Minority Over-sampling Technique (SMOTE) diterapkan pada data pelatihan, diikuti dengan normalisasi StandardScaler dan pengujian validitas melalui 5-fold stratified cross-validation. Hasil penelitian menunjukkan bahwa Random Forest memperoleh akurasi keseluruhan tertinggi sebesar 93,05%, disusul oleh Decision Tree (90,02%), KNN (79,94%), dan SVM (75,44%). Sebaliknya, SVM menunjukkan kemampuan terbaik dalam mengidentifikasi kasus positif dengan nilai Recall kelas strok tertinggi sebesar 60,00%, dibandingkan KNN (36,00%), Decision Tree (22,00%), dan Random Forest (16,00%). Hasil ini menunjukkan adanya trade-off yang jelas antara akurasi global dan sensitivitas deteksi kelas minoritas. Dalam konteks diagnosis medis, meminimalkan kegagalan deteksi pasien sakit (False Negative) dinilai lebih krusial dibandingkan mengejar akurasi keseluruhan, sehingga model SVM dengan integrasi SMOTE direkomendasikan sebagai pendekatan yang paling sesuai untuk kebutuhan prediksi klinis strok.]]>
