Abstract
Penyakit stroke merupakan suatu penyakit yang dapat memutuskan suplai darah menuju otak. Menurut World Health Organization (WHO), stroke merupakan salah satu penyebab kematian tertinggi di dunia. Penelitian ini bertujuan untuk menggunakan teknik klasifikasi untuk mendeteksi tingkat resiko terkena penyakit stroke. Klasifikasi merupakan teknik yang bertujuan untuk memperkirakan kelas dari suatu objek yang kelasnya masih tidak diketahui. Penelitian ini mengkombinasikan salah satu metode dari klasifikasi yaitu Naive Bayes dengan salah satu metode seleksi fitur yaitu Chi-Square untuk meningkatkan akurasi dari klasifikasi Naive Bayes. Hasil penelitian ini menunjukkan bahwa seleksi fitur Chi-Square terbukti dapat meningkatkan akurasi pada klasifikasi Naive Bayes dalam klasifikasi penyakit stroke dengan pembagian data latih dan uji yaitu 75:25. Hasil akurasi meningkat dari 73,55% sebelum menggunakan metode seleksi fitur Chi-Square menjadi 74,94% setelah menggunakan metode seleksi fitur Chi-Square. Penelitian ini diharapkan dapat membuka wawasan baru terkait metode seleksi fitur Chi-Square dalam meningkatkan kinerja dari suatu metode klasifikasi khususnya dalam mendeteksi risiko penyakit stroke sebagai tindakan pencegahan dan penanganan risiko penyakit stroke.
Kata kunci: Chi-Square, klasifikasi,, Naive Bayes, Stroke.
Stroke is a disease that can cut off the blood supply to the brain. According to the World Health Organization (WHO), stroke is one of the highest causes of death in the world. This study aims to use classification techniques to detect the risk level of stroke. Classification is a technique that aims to estimate the class of an object whose class is unknown. This research combines one of the classification methods, Naive Bayes, with one of the feature selection methods, Chi-Square, to improve the accuracy of Naive Bayes classification. The results of this study show that Chi-Square feature selection is proven to improve the accuracy of Naive Bayes classification on stroke disease classification with a division of training data and test data of 75:25. The accuracy results increased from 73.55% before using the Chi-Square feature selection method to 74.94% after using the Chi-Square feature selection method. This research is expected to open new insights related to the Chi-Square feature selection method in improving the performance of a classification method, especially in detecting the risk of stroke disease as a preventive measure and handling the risk of stroke disease.
Keywords: Chi-Square, Classification, Naive Bayes, Stroke.