Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Innovative and Creativity
Mahardika, Azmi Maulana
Unknown Affiliation
Education Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Penyakit Stroke Menggunakan Algoritma XGBoost Classifier Firdaus, Muhammad Rizky; Rahajoe, Ani Dijah; Efendi, Fairus Irhab Adinata; Mahardika, Azmi Maulana; Maulana, Achmad Ario Dwi; Lapon, Piter Rudi Irson Rivaldo
Journal of Innovative and Creativity Vol. 6 No. 1 (2026)
Publisher : Fakultas Ilmu Pendidikan Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joecy.v6i1.6546

Abstract

Stroke merupakan krisis kesehatan global yang menjadi penyebab utama kematian dan kecacatan. Deteksi lebih dini faktor stroke sangat penting untuk tindakan pencegahan yang efektif. Studi ini bertujuan untuk menganalisis karakteristik dataset stroke, mengkaji pengaruh teknik Hybrid Sampling (gabungan SMOTE dan Random UnderSampling) dalam mengatasi ketidakseimbangan data, serta mengevaluasi performa mode XGBoost. Penelitian ini menggunakan pendekatan kuantitatif eksperimen dengan dataset sekunder dari Kaggle. Penanganan ketidak seimbangan kelas dilakukan dengan Hybrid Sampling (gabungan SMOTE dan Random UnderSampling). Penerapan teknik Hybrid Sampling ini terbukti memberikan dampak signifikan pada kemampuan deteksi model, di mana nilai F1-Score pada kelas minoritas (stroke) yang semula bernilai 0,00 pada data asli (tanpa penanganan ketidakseimbangan) berhasil meningkat menjadi 0,25. Model dikembangkan menggunakan algoritma Extreme Gradient Boosting (XGBoost). Dataset memiliki ketidakseimbangan ekstrem dengan 4,8% pada kelas strok. Hasil evaluasi menunjukkan model XGBoost mencapai akurasi sebesar 89,4% pada data uji. Namun, performa pada kelas minoritas (stroke) masih rendah dengan recall 0,36 dan F1-Score 0,25. Meskipun XGBoost memberikan akurasi tinggi secara keseluruhan data yang signifikan. Diperlukan optimasi lebih lanjut melalui hyperparameter tuning atau algoritma boosting lainnya.
Co-Authors Ani Dijah Rahajoe Efendi, Fairus Irhab Adinata Firdaus, Muhammad Rizky Lapon, Piter Rudi Irson Rivaldo Maulana, Achmad Ario Dwi