Analisis Perbandingan Algoritma Oversampling: Smote Dan Adasyn Pada Random Forest Untuk Prediksi Stroke
Keywords:
ADASYN, Accuracy Paradox, Machine Learning, Random Forest, SMOTE, StrokeAbstract
Stroke merupakan penyebab utama kematian dan kecacatan secara global, menjadikan deteksi dini berbasis rekam medis sebagai tindakan preventif yang krusial. Dalam memodelkan data klinis, algoritma Machine Learning seringkali menghadapi masalah ketimpangan distribusi kelas (class imbalance) yang parah. Pada dataset stroke publik, ketidakseimbangan ini menyebabkan model klasifikasi terjebak pada accuracy paradox, di mana model memperoleh akurasi tinggi dengan cara memprediksi seluruh data sebagai kelas mayoritas (sehat), namun sama sekali gagal mendeteksi kelas minoritas (stroke). Penelitian ini secara komprehensif membandingkan efektivitas dua algoritma penyeimbangan data level sintetis, yaitu Synthetic Minority Over-sampling Technique (SMOTE) dan Adaptive Synthetic (ADASYN), yang diintegrasikan pada arsitektur Random Forest. Dataset yang digunakan adalah Healthcare Stroke Data (Kaggle) dengan komposisi 95,13% pasien sehat dan 4,87% pasien stroke (5.110 observasi). Metodologi penelitian mencakup pra-pemrosesan (imputasi median dan label encoding), penerapan oversampling eksklusif pada data latih, dan pengujian menggunakan data tak terlihat (unseen data). Hasil eksperimen menunjukkan bahwa model Baseline (tanpa oversampling) mencatat akurasi semu sebesar 95,11% namun memiliki metrik Recall yang sangat kritis (2,00%). Sebaliknya, integrasi algoritma SMOTE terbukti paling efektif memecahkan paradoks tersebut dengan mendongkrak Recall hingga 11 kali lipat menjadi 22,00% serta mencapai F1-Score 0,1864, meskipun menurunkan akurasi keseluruhan menjadi 90,61%. ADASYN menghasilkan kinerja yang sedikit lebih rendah dengan Recall 18,00% akibat sintesis data agresif pada wilayah perbatasan (decision boundary) yang menciptakan noise. Kesimpulan dari penelitian ini menegaskan bahwa penyeimbangan data secara merata melalui SMOTE sangat vital dalam sistem diagnostik medis yang memprioritaskan sensitivitas penemuan penyakit (Recall).
References
[1] World Health Organization, "The top 10 causes of death," World Health Organization, 2020.
[2] L. Breiman, "Random forests," Machine learning, vol. 45, pp. 5-32, 2001.
[3] N. Japkowicz and S. Stephen, "The class imbalance problem: A systematic study," Intelligent data analysis, vol. 6, pp. 429-449, 2002.
[4] D. Arman, et al., "Pemodelan Machine Learning Dengan Algoritma Random Forest Dalam Memprediksi Risiko Stroke," J. of Software Engineering and Info. System, vol. 5, pp. 59-67, 2025.
[5] Y. Aulia, et al., "Analisis Prediksi Stroke dengan Membandingkan Tiga Metode Klasifikasi Decision Tree, Naïve Bayes, dan Random Forest," Jurnal Ilmu Komputer dan Informatika (JIKI), vol. 3, pp. 89-98, 2023.
[6] M. Fadli and R. A. Saputra, "Klasifikasi dan Evaluasi Performa Model Random Forest untuk Prediksi Stroke," Jurnal Teknik (JT), vol. 12, pp. 72-80, 2023.
[7] M. Putri and Erlin, "Prediksi Penyakit Stroke Menggunakan Machine Learning Dengan Algoritma Random Forest," Jurnal Infomedia, vol. 9, 2024.
[8] H. A. Nabila and E. W. Pamungkas, "Perbandingan Algoritma Machine Learning: SVM, Random Forest, dan XGBoost untuk Prediksi Stroke," RABIT, vol. 10, 2025.
[9] L. Rokach and O. Maimon, "Data mining with decision trees: theory and applications," World scientific, 2014.
[10] N. V. Chawla, et al., "SMOTE: synthetic minority over-sampling technique," Journal of AI research, vol. 16, pp. 321-357, 2002.
[11] H. He, et al., "ADASYN: Adaptive synthetic sampling approach for imbalanced learning," in 2008 IEEE IJCNN, 2008, pp. 1322-1328.
[12] S. B. Kotsiantis, D. Kanellopoulos, and P. E. Pintelas, "Handling imbalanced datasets: A review," GESTS Int. Transactions on Comp. Science and Eng., vol. 30, pp. 25-36, 2006.
[13] M. J. O'Donnell, et al., "Risk factors for ischaemic and intracerebral haemorrhagic stroke in 22 countries (the INTERSTROKE study)," The Lancet, vol. 376, pp. 112-123, 2010.
