Klasifikasi Penyakit Stroke Menggunakan Metode Convolutional Long Short Term Memory (C-LSTM)

Stroke adalah keadaan medis yang terjadi karena terhambatnya aliran darah menuju otak, yang dapat menyebabkan pecahnya pembuluh darah atau terbentuknya gumpalan darah. Dalam penelitian ini, akan digunakan metode ensemble yang menggabungkan Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM), yang dikenal sebagai Convolutional Long Short Term Memory (C-LSTM), dengan memanfaatkan keunggulan dari masing-masing metode memungkinkan LSTM untuk memproses hubungan antar konteks dalam data, sementara CNN tetap unggul dalam proses ekstraksi fitur dari data. Dalam penelitian ini melibatkan 11 fitur dengan dilakukan pengujian parameter untuk menentukan pengaturan yang paling efektif agar mencapai hasil klasifikasi yang optimal dan konsisten. Penelitian ini bertujuan untuk mencapai kinerja yang baik dari model klasifikasi C-LSTM sehingga memperoleh hasil akurasi yang tinggi. Evaluasi kinerja model akan menggunakan confusion matrix untuk memperoleh nilai akurasi, precision, recall, dan f1-Score. Berdasarkan hasil penelitian, dapat disimpulkan bahwa model C-LSTM dengan SMOTE tanpa pemilihan fitur menggunakan Information Gain menunjukkan kinerja paling seimbang dan akurasi tertinggi dalam klasifikasi kasus "Stroke" dan "No Stroke" yaitu 95%. Penggunaan SMOTE terbukti secara signifikan meningkatkan keseimbangan performa model, sementara pemilihan fitur menggunakan Information Gain tidak selalu memberikan peningkatan yang signifikan.