<![CDATA[Stroke merupakan salah satu penyebab utama kematian dan disabilitas di dunia sehingga memerlukan deteksi dini untuk meningkatkan keberhasilan penanganan. Penerapan machine learning dalam prediksi risiko stroke masih menghadapi kendala akibat karakteristik dataset yang sangat tidak seimbang (highly imbalanced), sehingga algoritma klasifikasi cenderung bias terhadap kelas mayoritas dan kurang mampu mengidentifikasi kasus stroke sebagai kelas minoritas. Penelitian ini mengusulkan Local Density-Aware Adaptive Distance-Weighted K-Nearest Neighbor (LDADW-KNN) dengan mengintegrasikan informasi local density dan adaptive distance weighting ke dalam mekanisme pembobotan tetangga agar proses weighted voting lebih adaptif terhadap data takseimbang. Pengujian dilakukan menggunakan Stroke Prediction Dataset yang terdiri atas 5.110 sampel dengan rasio ketidakseimbangan kelas sebesar 19,52:1. Tahapan penelitian meliputi preprocessing, normalisasi standar scaler, perhitungan jarak Euclidean, estimasi local density, pembobotan adaptif, dan proses klasifikasi. Hasil pengujian menunjukkan bahwa LDADW-KNN memperoleh accuracy 0,94, recall 0,02, precision 0,11, F1-score 0,03, G-Mean 0,14, Balanced Accuracy 0,51, dan AUC 0,61, dengan kinerja yang kompetitif dibandingkan lima varian KNN pembanding. Meskipun peningkatan deteksi kelas minoritas masih terbatas, metode ini berpotensi menjadi alternatif pengembangan algoritma klasifikasi untuk data medis tidak seimbang dan mendukung pengembangan sistem pendukung keputusan klinis berbasis kecerdasan buatan.]]>
Copyrights © 2026
