APLIKASI DETEKSI DINI RISIKO PENYAKIT STROKE MELALUI PENERAPAN METODE OVERSAMPLING DAN UNDERSAMPLING MENGGUNAKAN METODE LOGISTIC REGRESSION

Kadafi, Aldo (2024) APLIKASI DETEKSI DINI RISIKO PENYAKIT STROKE MELALUI PENERAPAN METODE OVERSAMPLING DAN UNDERSAMPLING MENGGUNAKAN METODE LOGISTIC REGRESSION. Diploma thesis, Universitas Multi Data Palembang.

Text Aldo Kadafi 1923250038.pdf Download (1MB)

Abstract

Stroke merupakan penyakit yang serius dan memiliki dampak signifikan pada kesehatan manusia. Prediksi risiko Stroke memiliki peran penting dalam upaya pencegahan dan pengobatan yang efektif. Penelitian ini bertujuan untuk menerapkan Metode Logistic Regression dalam meningkatkan akurasi prediksi Stroke serta membandingkan efektivitas teknik oversampling dan undersampling dalam mengatasi ketidakseimbangan data. Tiga teknik sampling yang dibandingkan adalah SMOTE (Oversampling), Random Undersampling, dan SMOTE-ENN (kombinasi Oversampling dan Undersampling). Pengujian dilakukan dengan menggunakan metode Logistic Regression pada dataset yang telah dilakukan sampling, menghasilkan evaluasi berupa Confusion Matrix yang menunjukkan akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa setiap metode sampling memberikan hasil akurasi yang berbeda. Teknik SMOTE dengan Logistic Regression menghasilkan akurasi tertinggi sebesar 76,77%. Model yang dihasilkan dapat diimplementasikan dalam aplikasi web menggunakan framework Flask dan dapat memprediksi risiko Stroke secara efektif. Penelitian ini menyimpulkan bahwa ketidakseimbangan dataset dapat diatasi dengan metode sampling tertentu, dan Logistic Regression efektif dalam melatih data yang telah di- sampling. Implementasi model ini dalam aplikasi web memiliki potensi besar dalam membantu identifikasi risiko Stroke pada pasien.

Actions (login required)

View Item