PEMBELAJARAN MESIN UNTUK PREDIKSI STROKE BERDASARKAN RANDOM FOREST DAN SHAP

Jatiprasetya, Harumawan (2026) PEMBELAJARAN MESIN UNTUK PREDIKSI STROKE BERDASARKAN RANDOM FOREST DAN SHAP. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
23.51.2530 - Harumawan Jatiprasetya.pdf - Published Version
Download (5MB)

Abstract

Dengan lebih dari 12,2 juta kasus baru setiap tahun, stroke merupakan salah satu penyebab utama kematian dan disabilitas di dunia. Oleh karena itu, deteksi dini menjadi sangat penting untuk menurunkan angka mortalitas dan komplikasi jangka panjang. Untuk meningkatkan transparansi dan keandalan dalam proses pengambilan keputusan model, penelitian ini mengembangkan model prediksi stroke berbasis algoritma Random Forest yang dipadukan dengan metode interpretasi SHAP (Shapley Additive Explanations). Hasil evaluasi menunjukkan bahwa model memiliki kinerja klasifikasi yang sangat baik dengan nilai AUC sebesar 0,989 ± 0,002, akurasi sebesar 94,3%, presisi 92,5%, recall 96,5%, dan F1score 94,5%. Selain menghasilkan prediksi yang akurat, pendekatan SHAP memungkinkan interpretasi kontribusi setiap fitur terhadap keputusan model. Visualisasi interpretasi seperti summary plot, dependence plot, dan force plot menunjukkan bahwa faktor usia, kadar glukosa darah, dan indeks massa tubuh (BMI) merupakan kontributor utama dalam meningkatkan risiko stroke. Analisis interaksi fitur juga menunjukkan bahwa kombinasi usia lanjut dan kadar glukosa darah tinggi secara signifikan meningkatkan probabilitas stroke hingga sekitar 85% dibandingkan dengan nilai dasar rata-rata model sebesar 0,4992. Dengan demikian, pendekatan ini tidak hanya menghasilkan model prediksi yang memiliki performa tinggi, tetapi juga menyediakan interpretasi yang dapat dipahami oleh tenaga medis, sehingga berpotensi mendukung pengambilan keputusan klinis secara lebih transparan dan berbasis data.

Item Type:

Thesis (S2 - Magister)

Contributor: