Performance Evaluation of Stroke Prediction Model on Healthcare Dataset with Imbalanced Data
Applied Computer Science and Software Engineering · 28.03.2026 · 2 (1)
DOI: 10.63254/acsse.v2i1.35 ↗Kurz gefasst
Fachartikel in der Zeitschrift Applied Computer Science and Software Engineering, online erschienen am 28.03.2026. Verfasst von Afgha Aufan und 1 weiteren Autor:innen.
Themen: Schlaganfall
Abstract (Originalsprache)
Penelitian ini dimotivasi oleh meningkatnya kebutuhan akan model prediksi berbasis pembelajaran mesin yang mampu mengidentifikasi risiko stroke secara akurat, khususnya pada dataset medis dengan ketidakseimbangan kelas yang parah. Tujuan penelitian ini adalah untuk membandingkan kinerja tiga algoritma pembelajaran mesin, yaitu Random Forest, Extreme Gradient Boosting (XGBoost), dan Support Vector Machine (SVM), dalam memprediksi kejadian stroke menggunakan Healthcare Stroke Dataset. Metodologi penelitian terdiri dari beberapa tahapan, termasuk pra-pemrosesan data melalui imputasi nilai yang hilang, standardisasi fitur numerik, dan pengkodean fitur kategorikal. Dataset kemudian dibagi menjadi set pelatihan dan pengujian menggunakan pembagian bertingkat untuk mempertahankan distribusi kelas. Untuk mengatasi ketidakseimbangan kelas, dua strategi diterapkan: pembobotan kelas dan Synthetic Minority Over-sampling Technique (SMOTE). Kinerja model dievaluasi menggunakan akurasi, presisi makro, recall makro, dan skor F1 makro, yang lebih sesuai untuk data medis yang tidak seimbang. Hasil menunjukkan bahwa XGBoost dengan pembobotan kelas mencapai kinerja keseluruhan terbaik, menghasilkan skor F1 makro tertinggi sebesar 0,59, sambil mempertahankan keseimbangan antara akurasi dan kemampuan deteksi stroke. Random Forest mencapai akurasi tinggi tetapi menunjukkan keterbatasan dalam mendeteksi kasus stroke, sedangkan SVM menunjukkan sensitivitas yang lebih tinggi tetapi menghasilkan sejumlah besar false positive. Temuan ini menunjukkan bahwa XGBoost dengan pembobotan kelas adalah model yang paling sesuai untuk prediksi stroke dalam penelitian ini dan dapat berfungsi sebagai dasar untuk mengembangkan sistem pendukung keputusan klinis untuk deteksi dini risiko stroke. Pekerjaan selanjutnya dapat mencakup optimasi hyperparameter, penggabungan fitur klinis tambahan, dan penggunaan dataset yang lebih besar untuk meningkatkan generalisasi model.
Zitieren
APA
Aufan, A., & Tikaningsih, A. (2026). Performance Evaluation of Stroke Prediction Model on Healthcare Dataset with Imbalanced Data. Applied Computer Science and Software Engineering, 2(1). https://doi.org/10.63254/acsse.v2i1.35
Vancouver
Aufan A, Tikaningsih A. Performance Evaluation of Stroke Prediction Model on Healthcare Dataset with Imbalanced Data. Applied Computer Science and Software Engineering. 2026;2(1). doi:10.63254/acsse.v2i1.35
BibTeX
@article{Aufan2026,
author = {Aufan, Afgha and Tikaningsih, Ades},
title = {Performance Evaluation of Stroke Prediction Model on Healthcare Dataset with Imbalanced Data},
journal = {Applied Computer Science and Software Engineering},
year = {2026},
volume = {2},
number = {1},
doi = {10.63254/acsse.v2i1.35}
}
EUVIMED