KLASIFIKASI DAN EVALUASI PERFORMA MODEL RANDOM FOREST UNTUK PREDIKSI STROKE

MUHAMAD FADLI (Universitas Halu Oleo)
Rizal Adi Saputra (Universitas Halu Oleo)

JURNAL TEKNIK
Vol 12, No 2 (2023): Juli - Desember 2023

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi performa model klasifikasi menggunakan algoritma Random Forest untuk prediksi stroke. Studi ini menggunakan data klinis dan faktor risiko yang dikumpulkan dari pasien yang terlibat dalam penelitian stroke sebelumnya. Data ini mencakup informasi seperti usia, jenis kelamin, riwayat keluarga, tekanan darah, kolesterol, kebiasaan merokok, dan banyak lagi. Metode eksperimen digunakan dalam penelitian ini, di mana data dikumpulkan, diproses, dan dibagi menjadi data pelatihan dan pengujian. Model Random Forest dilatih dengan data pelatihan dan digunakan untuk melakukan prediksi pada data pengujian. Evaluasi performa model dilakukan menggunakan metrik evaluasi seperti akurasi, presisi, recall, dan skor F1, serta matriks konfusi digunakan untuk memvisualisasikan hasil prediksi. Hasil dan pembahasan penelitian ini menunjukkan bahwa model Random Forest memiliki performa yang baik dalam memprediksi stroke dengan akurasi sebesar 93,6%,  presisi sebesar 91,4%, recall sebesar 96,1%, dan F1-Score sebesar 93,7%.  Hasil ini menunjukkan bahwa teknik machine learning seperti Random Forest dapat digunakan sebagai metode yang efektif dalam prediksi stroke berdasarkan data klinis dan faktor risiko. Penelitian ini memberikan wawasan baru dalam pengembangan metode prediksi yang lebih akurat untuk mendukung diagnosis dan pencegahan stroke menggunakan pendekatan machine learning.