PREDIKSI PENYAKIT STROKE MENGGUNAKAN METODE K-NEAREST NEIGBORS DAN INFORMATION GAIN

Abstract

Stroke adalah penyebab utama kecacatan global, dengan lebih dari 12 juta kasus baru setiap tahunnya menurut WHO. Kondisi ini ditandai oleh defisit neurologis yang berkembang cepat dan dapat berlangsung lama atau menyebabkan kematian. Untuk memprediksi risiko stroke secara akurat, penelitian ini mengembangkan model prediksi menggunakan metode K-Nearest Neighbors (KNN) yang digabungkan dengan Information Gain (IG). KNN, yang mengklasifikasikan data berdasarkan kesamaan fitur, dioptimalkan melalui seleksi fitur menggunakan IG untuk memilih fitur yang paling relevan. Hasil evaluasi menunjukkan bahwa model KNN yang mengintegrasikan IG mencapai akurasi tertinggi 99,85% dengan 5 fitur terpilih (hypertension, avg_glucose_level_category, heart_disease, ever_married, work_type) dan nilai k=25, dibandingkan dengan akurasi 88,46% dari model KNN tanpa IG. Akurasi tinggi ini didukung oleh precision 99,71%, recall 100%, dan F1-Score 99,86%, yang menegaskan efektivitas IG dalam meningkatkan performa model KNN. Penelitian ini menunjukkan bahwa integrasi IG secara signifikan meningkatkan akurasi prediksi risiko stroke dengan memilih fitur-fitur yang paling relevan.