PREDIKSI RISIKO STROKE MENGGUNAKAN LOGISTIC REGRESSION DAN RANDOM FOREST PADA DATA TIDAK SEIMBANG DENGAN PENDEKATAN SMOTE DAN CROSS VALIDATION

Abstract

Stroke merupakan penyebab kematian dan disabilitas utama di dunia, hingga sistem deteksi dini jadi sangat krusial. Namun, dataset stroke seringkali mengalami ketidakseimbangan kelas yang ekstrem yang menghambat performa model prediksi. Ketidakseimbangan distribusi data (class imbalance) merupakan tantangan utama dalam pengembangan model prediktif untuk deteksi stroke, di mana kelas minoritas sering kali menyebabkan bias pada model klasifikasi. Riset berikut bermaksud guna mengevaluasi performansi algoritma Logistic Regression serta Random Forest didalam mendeteksi risiko stroke dengan membandingkan efektivitas penggunaan teknik Synthetic Minority Over-sampling Technique (SMOTE) dan penyesuaian ambang batas keputusan (threshold tuning). Hasil eksperimen menunjukkan adanya fenomena Accuracy Paradox pada model tanpa SMOTE, di mana akurasi mencapai 95% namun memiliki nilai Recall mendekati 0%, yang menandakan kegagalan model dalam mengidentifikasi penderita stroke. Implementasi SMOTE dan penggunaan custom threshold sebesar 0,3 berhasil meningkatkan sensitivitas model secara signifikan, dengan nilai Recall melonjak hingga rentang 63% - 75% meskipun akurasi turun menjadi 74%. Secara komparatif, Logistic Regression menunjukkan keunggulan pada aspek sensitivitas (skor AUC-ROC 0,834), menjadikannya ideal untuk instrumen skrining awal. Sementara itu, Random Forest menunjukkan performansi yang lebih stabil dalam menyeimbangkan presisi dan deteksi dengan skor F1-Score sebesar 0,817. Penelitian ini menyimpulkan bahwa penanganan ketidakseimbangan data dan pemilihan model yang berorientasi pada kelas minoritas sangat krusial untuk menghasilkan model prediktif yang memiliki nilai guna klinis dalam mendukung keputusan medis.