<![CDATA[Stroke merupakan salah satu penyakit dengan tingkat kematian dan kecacatan yang tinggi sehingga diperlukan metode prediksi yang mampu mendukung deteksi dini secara lebih akurat. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa algoritma Random Forest, XGBoost, dan Logistic Regression dalam memprediksi risiko stroke berdasarkan data kesehatan pasien. Dataset yang digunakan terdiri dari 5.110 data dengan 12 variabel, seperti usia, riwayat hipertensi, penyakit jantung, kadar glukosa darah, indeks massa tubuh, dan kebiasaan merokok. Ketidakseimbangan data ditangani menggunakan metode SMOTE, sedangkan hyperparameter tuning diterapkan pada model Random Forest untuk mengevaluasi pengaruhnya terhadap performa klasifikasi. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa berdasarkan nilai weighted average, Random Forest memperoleh performa keseluruhan terbaik dengan accuracy sebesar 94%, precision 90%, recall 94%, dan F1-score 91%. XGBoost menghasilkan performa yang hampir setara dengan accuracy 93%, precision 90%, recall 93%, dan F1-score 91%, sedangkan Logistic Regression memperoleh accuracy 74%, precision 93%, recall 74%, dan F1-score 81%. Hasil evaluasi juga menunjukkan bahwa hyperparameter tuning pada Random Forest tidak memberikan peningkatan performa yang signifikan dibandingkan model sebelum tuning. Meskipun Random Forest dan XGBoost menghasilkan performa keseluruhan yang lebih tinggi, Logistic Regression menunjukkan kemampuan yang lebih baik dalam mendeteksi kasus stroke berdasarkan nilai recall pada kelas stroke. Oleh karena itu, pemilihan model perlu disesuaikan dengan tujuan penggunaan, baik untuk memperoleh performa klasifikasi secara keseluruhan maupun untuk memaksimalkan deteksi kasus stroke.]]>
Copyrights © 2026
