Implementasi Algoritma K-Nearest Neighbors (KNN) Dan SMOTE-NC Untuk Mengatasi Ketidakseimbangan Data Pada Deteksi Penyakit Stroke
Kurangnya pengetahuan dapat mengakibatkan pasien penyakit stroke mengalami kecacatan fisik dan mental bahkan kematian. Diberbagai populasi sering ditemukan pengetahuan mengenai faktor risiko, pencegahan, pencarian pertolongan, tanda peringatan pada pasien stroke. Deteksi dini penyakit stroke sangat penting untuk mencegah dampak buruk serta dapat meningkatkan peluang kesembuhan. Untuk membantu dalam mendeteksi penyakit stroke dibutuhkan adanya pendekatan machine learning sebagai salah satu solusi, algoritma k-nearest neighbors merupakan salah satu algoritma pendekatan machine learning yang dapat digunakan pada penelitian ini. Namun ketidakseimbangan data sering ditemui dalam sebuah penelitian sehingga dapat mempengaruhi hasil nilai akurasi dalam mendekteksi penyakit stroke. Hasil penelitian menunjukkan bahwa penerapan SMOTE-NC secara signifikan meningkatkan performa K-Nearest Neighbor (KNN) dalam mendeteksi pasien stroke. Model yang dihasilkan mampu mencapai akurasi sebesar 93,3%, dengan nilai F1-score pada kelas stroke sebesar 94%. Penelitian ini menunjukkan bahwa dengan melakukan kombinasi terhadap algoritma K-Nearest Neighbor (KNN) dengan teknik balancing SMOTE-NC efektif dalam mengatasi ketidakseimbangan data, sehingga dapat digunakan dalam mendeteksi penyakit stroke.
URI
https://repository.itera.ac.id/depan/submission/SB2508070057
Keyword
ketidakseimbangan data k-nearest neighbors SMOTE-NC model evaluasi