Aryawiduta, Wisnala (2026) PENERAPAN ALGORITMA LIGHTGBM DAN ANALISIS SHAP UNTUK PREDIKSI RISIKO PENYAKIT STROKE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf - Published Version Download (1MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (205kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (561kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (208kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (493kB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (79kB) |
|
Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (145kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 22.11.5168.zip - Published Version Restricted to Repository staff only Download (516kB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (849kB) |
Abstract
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.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Stroke, LightGBM, SHAP, Machine Learning, Prediksi, Prediction. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 29 Sep 2026 07:01 | ||
| Last Modified: | 29 Sep 2026 07:01 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/33054 |
Actions (login required)
 |
View Item |