OPTIMASI ALGORITMA SUPPORT VECTOR MACHINES(SVM) MENGGUNAKAN ADAPTIVE BOOSTING(ADABOOST) UNTUK MENINGKATKAN AKURASI PREDIKSI PENYAKIT BRAIN STROKE

Abstract

Stroke merupakan salah satu penyakit kronis dengan tingkat kematian dan kecacatan yang tinggi, sehingga deteksi dini sangat diperlukan untuk meminimalkan risiko yang ditimbulkan. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi penyakit stroke dengan mengoptimalkan algoritma Support Vector Machines (SVM) menggunakan pendekatan Adaptive Boosting (AdaBoost). Algoritma SVM dikenal efektif untuk klasifikasi data non-linear, namun memiliki keterbatasan saat menangani data yang tidak seimbang. Oleh karena itu, dalam penelitian ini dilakukan preprocessing data meliputi imputasi data hilang, encoding variabel kategorikal, normalisasi, serta penyeimbangan data menggunakan teknik undersampling ClusterCentroids. Dataset yang digunakan diperoleh dari situs Kaggle dengan jumlah 2000 entri dan 12 fitur. Model SVM tanpa optimasi menghasilkan akurasi sebesar 76%, dengan nilai precision, recall, dan f1-score yang seimbang pada kedua kelas. Setelah dioptimasi dengan AdaBoost, performa model meningkat secara signifikan dengan akurasi mencapai 87% serta peningkatan pada nilai precision dan recall, khususnya dalam mendeteksi kelas stroke. Hasil penelitian ini menunjukkan bahwa kombinasi SVM dan AdaBoost mampu mengatasi ketidakseimbangan data dan meningkatkan akurasi prediksi, sehingga metode ini berpotensi diterapkan dalam sistem pendukung keputusan untuk deteksi dini penyakit stroke secara lebih akurat dan andal.