<![CDATA[Stroke merupakan salah satu penyebab kematian dan kecacatan terbesar di dunia, sehingga prediksi dini menjadi kritis untuk mencegah komplikasi serius. Penelitian ini mengembangkan sistem pendukung keputusan untuk memprediksi risiko stroke menggunakan algoritma Naïve Bayes yang dikombinasikan dengan Synthetic Minority Oversampling Technique (SMOTE) guna mengatasi ketidakseimbangan data pada Stroke Prediction Dataset (5110 sampel, 4,87% kasus stroke). Metode penelitian mencakup preprocessing data, penghapusan fitur non-informatif, encoding variabel kategorikal, oversampling menggunakan SMOTE, serta evaluasi performa model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SMOTE meningkatkan sensitivitas model secara signifikan, dengan nilai recall 93% dan F1-score 81%, meskipun precision mengalami penurunan akibat bertambahnya prediksi positif palsu. Temuan ini menegaskan pentingnya pemilihan metrik evaluasi yang tepat pada data tidak seimbang. Studi ini memberikan kontribusi dalam pengembangan pipeline prediksi medis berbasis Naïve Bayes dan menawarkan dasar bagi pengembangan model yang lebih akurat melalui optimasi parameter dan algoritma alternatif.]]>
Copyrights © 2024
