<![CDATA[Stroke merupakan salah satu penyebab utama kematian dan kecacatan dengan prevalensi yang terus meningkat, sementara deteksi dini masih menjadi tantangan akibat keterbatasan sistem prediktif yang akurat. Penelitian ini dilakukan untuk mengembangkan model prediksi risiko stroke menggunakan Artificial Neural Network (ANN) berbasis data klinis dan demografis, sekaligus meningkatkan interpretabilitas melalui analisis SHAP (Shapley Additive exPlanations). Dataset yang digunakan merupakan data publik Stroke Prediction yang terdiri dari 5.110 data pasien dengan 11 variabel prediktor dan satu variabel target. Tahapan penelitian meliputi eksplorasi data, pra-pemrosesan berupa imputasi nilai hilang, label encoding, normalisasi fitur, serta penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE). Model ANN dibangun menggunakan arsitektur Multi-Layer Perceptron dengan dua lapisan tersembunyi dan dilatih menggunakan Adam optimizer serta fungsi kerugian binary cross-entropy. Hasil evaluasi menunjukkan kemampuan prediksi yang cukup tinggi, dengan nilai akurasi sebesar 92,73%, presisi 0,90, recall 0,96, specificity 0,89, F1-score 0,93, dan AUC 0,928. Analisis SHAP mengidentifikasi usia, BMI, tipe pekerjaan, kebiasaan merokok, dan kadar glukosa rata-rata sebagai fitur paling berpengaruh, menegaskan bahwa model tidak hanya akurat tetapi juga interpretatif. Metode ini berpotensi digunakan sebagai alat skrining dini risiko stroke berbasis sistem pendukung keputusan.]]>
