Perbandingan Implementasi Decision Tree C4.5 dan Single Layer Perceptron (SLP) untuk Klasifikasi Penyakit Stroke

Abstract

Stroke adalah suatu kondisi terjadi akibat aliran darah ke otak terhambat akibat penyumbatan pembuluh darah arteri, penumpukan darah, atau pecahnya pembuluh darah. Penyebabnya bisa berupa kelainan pada sifat darah atau lemahnya dinding pembuluh darah. Stroke menempati urutan kedua sebagai penyebab kematian paling besar dan urutan ketiga penyebab kecacatan di seluruh dunia. Untuk mencegah dampak yang lebih parah, deteksi dini sangat penting karena banyak faktor kecil yang sering kali tidak disadari menjadi penyebab munculnya penyakit stroke. Deteksi dini dilakukan dengan cara memanfaatkan teknologi informasi seperti machine learning. Machine learning yang digunakan ialah Decision Tree Classifer 4.5 (C4.5) dan Single Layer Perceptron (SLP). Hasil penelitian yang dilakukan dengan metode percentage split memperlihatkan bahwa algoritma C4.5 menghasilkan nilai akurasi sebesar 71%, sementara pada algoritma SLP akurasi meningkat sebesar 5%, yaitu 76%. Selain itu, nilai presisi dan recall  pada kelas 0 (negatif) masing-masing adalah 71% dan 70% sedangkan pada kelas 1 (positif) menghasilkan nilai sebesar 74% dan 72%. Kemudian, presisi dan recall pada algoritma SLP pada kelas 0 (negatif) menghasilkan nilai sebesar 76% dan 71% sedangkan pada kelas 1 (positif) menghasilkan nilai sebesar 76% dan 81%. Dari kedua algoritma, dapat disimpulkan bahwa algoritma SLP memberikan hasil prediksi yang lebih akurat dan efektif untuk klasifikasi penyakit stroke.