ALWALIYANTO, - (2025) Penerapan Metode ADASYN Dalam Mengatasi Imbalanced Data Untuk Klasifikasi Penyakit Stroke Menggunakan Support Vector Machine. Bulletin of Computer Science Research, 5 (4). pp. 532-541. ISSN ISSN 2774-3659 (Media Online)

Preview	Text (JURNAL ARTIKEL) ALWALIYANTO - ALWALIYANTO Teknik Informatika.pdf - Published Version Download (7MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) Surat Pernyataan Pernyataan Publikasi Materai - ALWALIYANTO Teknik Informatika.pdf - Published Version Download (1MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI DOSEN) Surat Persetujuan Publikasi - ALWALIYANTO Teknik Informatika.pdf - Published Version Download (1MB) | Preview

Abstract

Stroke merupakan salah satu penyebab utama kematian dan disabilitas di seluruh dunia, sehingga diperlukan model klasifikasi yang mampu membantu diagnosis secara dini dan akurat. Penelitian ini bertujuan untuk menerapkan algoritma Support Vector Machine (SVM) dengan tiga jenis kernel linear, polynomial, dan Radial Basis Function (RBF) untuk mengklasifikasikan data penyakit stroke. Metode Adaptive Synthetic Sampling (ADASYN) digunakan untuk mengatasi masalah ketidakseimbangan data, sementara proses pelatihan dan evaluasi model dilakukan menggunakan validasi silang 5-Fold Cross Validation untuk memastikan hasil yang stabil dan dapat diandalkan. Hasil penelitian menunjukkan bahwa ADASYN berhasil meningkatkan sensitivitas model terhadap kelas stroke (kelas minoritas), yang tercermin dari peningkatan nilai recall dan F1-score, meskipun disertai dengan sedikit penurunan pada akurasi keseluruhan sebuah trade-off yang umum dalam penanganan data tidak seimbang. Kernel linear (sesudah ADASYN) memberikan performa terbaik setelah penanganan ketidakseimbangan data, dengan rata-rata AUC-ROC sebesar 0.8333, recall 0.7827, dan F1-score 0.2181 untuk kelas stroke. Meskipun nilai F1-score masih tergolong rendah, nilainya meningkat dibanding sebelum penerapan ADASYN, menunjukkan adanya perbaikan dalam pendeteksian kasus stroke. Implementasi dilakukan menggunakan Google Colab, yang turut mendukung efisiensi dalam pengolahan dan visualisasi data. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa kombinasi SVM dan ADASYN efektif dalam meningkatkan sensitivitas model terhadap kelas minoritas, dan layak diterapkan dalam proses klasifikasi data medis untuk diagnosis penyakit stroke berbasis pembelajaran mesin.

Actions (login required)

View Item