A ANALISIS PREDIKSI PENYAKIT STROKE MENGGUNAKAN REGRESI LINEAR
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Stroke merupakan penyebab utama kematian dan disabilitas di seluruh dunia, termasuk di Indonesia. Faktor risiko utamanya meliputi usia, kadar glukosa darah, hipertensi, dan gaya hidup tidak sehat. Identifikasi dini risiko stroke sangat penting untuk upaya pencegahan. Penelitian ini menerapkan algoritma regresi linear untuk memprediksi stroke berdasarkan data pasien, dengan fokus pada variabel usia dan rata-rata kadar glukosa. Dataset yang diperoleh dari Kaggle mencakup 5.110 rekam medis pasien dengan 11 atribut kesehatan. Tahapan penelitian meliputi pembersihan, seleksi, dan transformasi data sebelum dilakukan pemodelan menggunakan regresi linear. Validasi dilakukan dengan metode *Split Validation* (90% data pelatihan dan 10% data pengujian), sedangkan kinerja model diukur menggunakan *Root Mean Squared Error* (RMSE). Hasil penelitian menunjukkan bahwa regresi linear mampu memprediksi status stroke dengan nilai RMSE sebesar 0,218 ± 0,000, yang mengindikasikan tingkat kesalahan prediksi yang rendah; analisis lebih lanjut mengonfirmasi bahwa peningkatan usia dan kadar glukosa secara signifikan meningkatkan risiko stroke. Sebagai kesimpulan, regresi linear merupakan metode yang sederhana namun efektif untuk identifikasi dini risiko stroke. Model ini dapat menjadi dasar bagi sistem pendukung keputusan yang memungkinkan tenaga kesehatan dan masyarakat umum untuk meningkatkan upaya pencegahan.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Terbitan
Bagian
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Referensi
[1] A. Puspitawuri, E. Santoso, and C. Dewi, “Diagnosis of Stroke Risk Level Using the K-Nearest Neighbor and Naïve Bayes Methods,” vol. 3, no. 4, pp. 3319–3324, 2019.
[2] A. Byna and M. Basit, “Application of Adaboost Method to Optimize Stroke Disease Prediction with Naïve Bayes Algorithm,” J. Sisfokom (Inf. and Computer Systems) , vol. 9, no. 3, pp. 407–411, 2020, doi: 10.32736/sisfokom.v9i3.1023.
[3] J. Antares, T. Infomasi, and U. Dharmawangsa, “Artificial Neural Network in Identifying Stroke Disease Using Backpropagation Method (Case Study at Madya Padang Pharmacy Clinic),” vol. 1, no. 1, pp. 6–14, 2020.
[4] ES Renaldy Senna Hutama, Nurul Hidayat, “Expert System for Early Detection of Stroke Using the Naive Bayes-Certainty Factor Method,” J. Pengemb. Teknol. Inf. dan Ilmu Comput. , vol. 2, no. 11, pp. 4333–4339, 2018.
[5] NO Rahardiani, “Optimization Of Multi-Layer Perceptron Weights Using Genetic Algorithm For Classification Of Stroke Risk Level, obtained a Bachelor of Computer Science degree,” 2017.
[6] R. Rachman et al. , “Implementation of Case Based Reasoning to Diagnose Stroke Using Probabilistic Symmetric Algorithm,” vol. 8, no. 1, pp. 10–16, 2021.
[7] K. Algoritma, C. Berbasis, PSO Dan, RS Rohman, RA Saputra, and DA Firmansaha, “Comparison of pso and ga based c4.5 algorithms for stroke diagnosis,” vol. 5, no. 1, pp. 155–161, 2020.
[8] DW Nugraha, AYE Dodu, and N. Chandra, “Stroke Disease Classification Using the Naive Bayes Classifier Method (Case Study at Undata Regional General Hospital, Palu),” semanTIK , vol. 3, no. 2, pp. 13–22, 2017.
[9] SAJI Nugroho, “Comparative publication manuscript of fuzzy k-nearest neighbor and weighted k-nearest neighbor methods for stroke detection,” 2020.
[10] D. Aprilla, C, B. Donny, Aji, A. Lia, and W. I, Wayan, Simri, “DATA MINING with RAPID MINER,” The large number of free and open source software products has made it easier for us to carry out data processing and analysis. In carrying out data mining analysis, RapidMiner is one of the , pp. 1–128, 2013.
[11] R. Fernando, L. Anggraini, and A. Nazir, “Analysis of the Relationship between Stroke Risk Factors and Type of Stroke Suffered Using the ECLAT Algorithm,” vol. 9789, pp. 18–19, 2017.
[12] Simple ARL, “Regression analysis,” vol. 0, pp. 29–52.
[13] R. Mean et al. , “Evaluation and Validation of Evaluation.”