%K Stroke, LightGBM, SHAP, Machine Learning, Prediksi, Prediction.
%X Stroke merupakan salah satu penyebab utama kematian dan kecacatan di
dunia, dengan prevalensi yang terus meningkat di Indonesia sehingga memerlukan
deteksi dini yang akurat guna mencegah dampak kesehatan yang serius. Pendekatan
manual konvensional memiliki keterbatasan dalam menangani data kesehatan yang
kompleks dan berjumlah besar. Penelitian ini bertujuan untuk menerapkan
algoritma Light Gradient Boosting Machine (LightGBM) dalam membangun
model prediksi risiko stroke serta menggunakan analisis SHapley Additive
exPlanations (SHAP) untuk memberikan interpretasi terhadap hasil prediksi
tersebut. Metode penelitian melibatkan pengolahan Stroke Prediction Dataset yang
mencakup 5.110 sampel dengan 12 variabel medis. Tahapan penelitian meliputi
preprocessing data seperti penanganan nilai hilang pada fitur BMI, label encoding,
serta pembagian data menjadi set pelatihan dan pengujian dengan rasio 80:20.
Model LightGBM dioptimasi menggunakan parameter scale_pos_weight untuk
menangani ketidakseimbangan kelas agar lebih sensitif dalam mendeteksi kasus
positif. Hasil penelitian menunjukkan bahwa model LightGBM mencapai nilai
AUC sebesar 0,83 dan recall sebesar 82%, yang menandakan kemampuan deteksi
yang kuat terhadap pasien berisiko stroke. Analisis SHAP berhasil mengidentifikasi
bahwa variabel usia, indeks massa tubuh (BMI), dan kadar glukosa rata-rata
merupakan fitur paling berpengaruh terhadap prediksi. Model ini diharapkan dapat
menjadi alat bantu bagi tenaga medis dalam mendukung upaya deteksi dini risiko
stroke secara lebih transparan dan efisien. Penelitian mendatang disarankan untuk
melakukan optimasi hyperparameter lebih lanjut guna meningkatkan presisi pada
kelas minoritas.
%I Universitas AMIKOM Yogyakarta
%T PENERAPAN ALGORITMA LIGHTGBM DAN ANALISIS
SHAP UNTUK PREDIKSI RISIKO PENYAKIT STROKE
%D 2026
%L universitasamikomyogyakarta33054
%A Wisnala Aryawiduta