Komparasi Teknik Bagging Dan Adaboost Pada Decision Tree Dan Naive Bayes Untuk Prediksi Stroke

Stroke, yang juga dikenal sebagai cerebrovascular accident (CVA), adalah kondisi di mana terjadi gangguan mendadak dalam fungsi otak akibat masalah peredaran darah, yang dapat mengakibatkan kelumpuhan atau bahkan kematian sel otak. Stroke terdiri dari dua jenis yaitu iskemik, yang disebabkan oleh penyumbatan pembuluh darah, dan hemoragik, yang disebabkan oleh pendarahan ke otak. Di Indonesia, stroke menjadi penyebab kematian utama dengan tingkat kejadian yang terus meningkat. Oleh karena itu, upaya pencegahan dan pengobatan dini sangat penting dalam penanganan kondisi ini. Data mining dan machine learning telah menjadi alat yang penting dalam memprediksi risiko stroke. Dalam penelitian ini, teknik ensemble, khususnya bagging dan adaboost, diterapkan pada algoritma decision tree dan naive bayes untuk meningkatkan akurasi dalam memprediksi stroke. Hasil penelitian menunjukkan bahwa penggunaan teknik ensemble, terutama adaboost, mampu secara signifikan meningkatkan kinerja algoritma naive bayes, dengan peningkatan akurasi hingga 7,42%. Kombinasi algoritma decision tree dengan bagging memberikan akurasi tertinggi dalam memprediksi stroke, mencapai 96,91%, diikuti oleh kombinasi decision tree dengan adaboost dan naive bayes dengan adaboost. Temuan ini menunjukkan bahwa penggunaan teknik ensemble dapat secara signifikan meningkatkan kinerja algoritma dalam memprediksi penyakit stroke, dengan fokus pada penggunaan Adaboost untuk algoritma Naive Bayes dan metode bagging untuk decision tree.

Kata kunci—stroke, decision tree, naïve bayes, adaboost, bagging