Perbandingan Algoritma Random Forest, SVM, KNN, dan Decision Tree Untuk Prediksi Penyakit Strok
Keywords:
Klasifikasi, Machine learning, Prediksi Strok, Random Forest, SMOTE, Support Vector MachineAbstract
Strok merupakan salah satu penyebab kematian tertinggi di dunia, sehingga deteksi dini sangat penting untuk mengurangi risiko fatalitas. Namun, data klinis terkait penyakit ini umumnya mengalami ketidakseimbangan kelas (class imbalance) yang ekstrem, yang dapat memengaruhi keandalan model prediktif. Penelitian ini membandingkan performa empat algoritma machine learning, yaitu Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree untuk memprediksi risiko strok menggunakan Healthcare Strok Dataset dari Kaggle yang terdiri atas 5.110 data pasien berdasarkan 11 fitur prediktor (proporsi kelas tidak strok 95,13% dan strok 4,87%). Untuk mengatasi ketidakseimbangan data, metode Synthetic Minority Over-sampling Technique (SMOTE) diterapkan pada data pelatihan, diikuti dengan normalisasi StandardScaler dan pengujian validitas melalui 5-fold stratified cross-validation. Hasil penelitian menunjukkan bahwa Random Forest memperoleh akurasi keseluruhan tertinggi sebesar 93,05%, disusul oleh Decision Tree (90,02%), KNN (79,94%), dan SVM (75,44%). Sebaliknya, SVM menunjukkan kemampuan terbaik dalam mengidentifikasi kasus positif dengan nilai Recall kelas strok tertinggi sebesar 60,00%, dibandingkan KNN (36,00%), Decision Tree (22,00%), dan Random Forest (16,00%). Hasil ini menunjukkan adanya trade-off yang jelas antara akurasi global dan sensitivitas deteksi kelas minoritas. Dalam konteks diagnosis medis, meminimalkan kegagalan deteksi pasien sakit (False Negative) dinilai lebih krusial dibandingkan mengejar akurasi keseluruhan, sehingga model SVM dengan integrasi SMOTE direkomendasikan sebagai pendekatan yang paling sesuai untuk kebutuhan prediksi klinis strok.
Downloads
References
[1] World Health Organization. (2021). Stroke. https://www.who.int/news-room/fact-sheets/detail/stroke
[2] Kementerian Kesehatan Republik Indonesia. (2024). Cegah Stroke dengan Aktivitas Fisik. https://www.kemkes.go.id/id/cegah-stroke-dengan-aktivitas-fisik
[3] Ahmad, A. (2017). Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning. Jurnal Teknologi Indonesia, Yayasan Cahaya Islam.
[4] Nurhalizah, R. S., Ardianto, R., & Purwono. (2024). Analisis supervised dan unsupervised learning pada machine learning: Systematic literature review. Jurnal Ilmu Komputer dan Informatika (JIKI), 4(1), 61–72. https://doi.org/10.54082/jiki.168
[5] Akbar, I., Supriadi, F., & Junaedi, D. I. (2025). Pemanfaatan machine learning di bidang kesehatan. ATI (Jurnal Mahasiswa Teknik Informatika), 9(1), 1744.
[6] Diba, F., Lydia, M. S., & Sihombing, P. (2023). Analisis random forest menggunakan principal component analysis pada data berdimensi tinggi. Indonesian Journal of Computer Science, 12(4), 2152.
[7] Dwiyanti, Z., & Prianto, C. (2023). Prediksi cuaca Kota Jakarta menggunakan metode Random Forest: Studi optimalitas. Jurnal Tekno Insentif, 17(2), 127–137. https://doi.org/10.36787/jti.v17i2.1136
[8] Puspitasari, A. M., Ratnawati, D. E., & Widodo, A. W. (2018). Klasifikasi penyakit gigi dan mulut menggunakan metode Support Vector Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(2), 802–810.
[9] Akbar, F. M. N. (2024). Metode KNN (K-Nearest Neighbor) untuk menentukan kualitas air. Jurnal TEKNO KOMPAK, 18(1), 28–40.
[10] Septhya, D., Rahayu, K., Rabbani, S., Fitria, V., Rahmaddeni, Irawan, Y., & Hayami, R. (2023). Implementation of Decision Tree algorithm and Support Vector Machine for lung cancer classification. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(1), 15–19. https://journal.irpi.or.id/index.php/malcom/article/view/591
[11] Ridwan, Hermaliani, E. H., & Ernawati, M. (2024). Penerapan metode SMOTE untuk mengatasi imbalanced data pada klasifikasi ujaran kebencian. Computer Science (CO-SCIENCE), 4(1), 80.
[12] Irsyad, H. H., Syafwan, M. I., & Ramadhani, D. Analisis Perbandingan Kinerja Algoritma K-Nearest Neighbors dan Support Vector Machine untuk Klasifikasi Penyakit Diabetes. Journal of System & Technology (SYSTEC), 1(2), 43-48.
[13] Y. Azhar, A. K. Firdausy, dan P. J. Amelia, “Perbandingan Algoritma Klasifikasi Data mining untuk Prediksi Penyakit Stroke,” SINTECH Journal, vol. 5, no. 2, Okt. 2022, https://doi.org/10.31598.
[14] A. F. Riany dan G. Testiana, “Penerapan Data mining untuk Klasifikasi Penyakit Stroke Menggunakan Algoritma Naïve Bayes,” Jurnal Saintekom: Sains, Teknologi, Komputer, dan Manajemen, vol. 13, no. 1, pp. 42–54, 2023, https://doi.org/10.33020/saintekom.v13i1.352
[15] N. Indriani, E. Rainarli, dan K. E. Dewi, “Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen,” Jurnal Infotel, vol. 9, no. 4, pp. 416–422, Nov. 2017, doi: 10.20895/infotel.v9i4.
[16] S. Rahayu dan Y. Yamasari, “Klasifikasi Penyakit Stroke dengan Metode Support Vector Machine (SVM),” JINACS (Journal of Informatics and Computer Science), vol. 5, no. 3, pp. 440–447, 2024.
[17] N. A. Iskandar, I. Ernawati, dan Y. Widiastiwi, “Klasifikasi Diagnosis Penyakit Stroke Dengan Menggunakan Metode Random Forest,” dalam Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), Jakarta, Indonesia, 20 Agustus 2022, pp. 676–685.
[18] N. Sulistiyowati dan M. Jajuli, “Integrasi Naïve Bayes dengan Teknik Sampling SMOTE untuk Menangani Data Tidak Seimbang,” Jurnal Nuansa Informatika, vol. 14, no. 1, pp. 34–37, Jan. 2020.
[19] L. Pasiolo, I. Afrianty, E. Budianita, dan R. Abdillah, “Penerapan Teknik SMOTE pada Klasifikasi Penyakit Stroke dengan Algoritma Support Vector Machine,” ZONAsi: Jurnal Sistem Informasi, vol. 7, no. 1, pp. 61–73, Jan. 2025.
[20] Naja Maskuri, M., Harliana, H., Sukerti, K., & Herdian Bhakti, R. M. (2022). Penerapan Algoritma K-Nearest Neighbor (KNN) untuk Prediksi Penyakit Stroke. Jurnal Ilmiah Intech: Information Technology Journal of UMUS, 4(01), 130–140. https://doi.org/10.46772/intech.v4i01.751
[21] Azwanti, N., & Putria, N. E., (2024). Analisis Kepuasan Customer pada Sdtechnology Computer dengan Algoritma Decision Tree. Jurnal Desain Dan Analisis Teknologi, 3(2), 137–148. https://doi.org/10.58520/jddat.v3i2.62
[22] F. A. Sianturi, “Analisa Decision Tree Dalam Pengolahan Data Siswa,” MEANS (Media Informasi Analisa dan Sistem), vol. 3, no. 2, pp. 166–172, Des. 2018.
[23] Hendriyansyah, A. I. Purnamasari, dan T. Suprapti, “Penerapan Algoritma Decision Tree dalam Klasifikasi Penyakit Stroke Otak,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 3, pp. 3038–3043, Jun. 2024.
[24] Arnomo, S. A., Fajrin, A. A., Siyamto, Y., & Sadikin, S. F. N. (2023). Evaluasi Model Decision Tree Pada Keputusan Kelayakan Kredit. Jurnal Desain Dan Analisis Teknologi, 2(2), 200-206.
[25] Rininda, G., Santi, I. H., & Kirom, S. (2023). Penerapan Svm Dalam Analisis Sentimen Pada Edlink Menggunakan Pengujian Confusion Matrix. JATI (Jurnal Mahasiswa Teknik Informatika), 7(5), 3335-3342.
[26] Fedesoriano. (2020). Stroke Prediction Dataset. Kaggle. Retrieved from https://www.kaggle.com/datasets/fedesoriano/stroke-prediction-dataset
[27] Sari, K., Fadli, M., Fudholi, M. F., & Susanto, E. R. (2025). Deteksi Dini Stroke Menggunakan Machine Learning. INSOLOGI: Jurnal Sains dan Teknologi, 4(4), 706-720.
[28] Muttakin, M., Rusmana, N. R., & Ramadhani, D. Analisis Perbandingan Algoritma Klasifikasi untuk Prediksi Risiko Penyakit Jantung. Journal of System & Technology (SYSTEC), 1(2), 35-42.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Christian Gideon Valent, Jeff Clarence, Raissa Nabila Putri Riski, Dian Ramadhani (Author)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
