Seleksi Fitur Gain Ratio Dan Model Klasifikasi K-Nearest Neighbor Pada Diagnosis Penyakit Stroke

Kesehatan merupakan hal penting bagi kehidupan, terutama bagi manusia. Banyak penyakit yang menyerang manusia, salah satunya yaitu penyakit stroke. Penyakit stroke merupakan suatu gangguan fungsi sistem saraf yang dapat terjadi secara mendadak, disebabkan oleh gangguan pembuluh darah di otak. Banyaknya orang yang terkena stroke membuat dokter kesusahan untuk mendiagnosis pasien yang konsultasi maupun yang terkena stroke. Klasifikasi penyakit stroke secara cepat dan tepat dapat membantu dokter untuk mendiagnosis penyakit stroke. Klasifikasi penyakit stroke akan memprediksi penyakit yang diderita oleh pasien secara efektif dan efisien. Pada penelitian ini menggunakan model klasifikasi K-Nearest Neighbor(KNN) dengan seleksi fitur Gain Ratio. Metode KNN digunakan untuk klasifikasi penyakit stroke berdasarkan nilai k tetangga yang mana akan dihitung jarak antara data latih dan data uji, sedangkan Gain Ratio digunakan untuk meningkatkan akurasi dari metode KNN dengan cara mereduksi dimensi pada fitur. Data set yang digunakan yaitu data penyakit stroke dari situs https://www.kaggle.com/asaumya/healthcare-dataset-stroke-data dengan jumlah data 43400 yang mana terdiri 10 fitur. Data dipencah menggunakan K-fold Cross Validation dengan menggunakan k=10. Hasil yang didapatkan dengan menggunakan metode seleksi fitur Gain Ratio dan model klasifikasi KNN yaitu dengan jumlah fitur = 1 dan KNN(k=3) yang menghasilkan akurasi 1, recall 1, precision 1, error 0, dan waktu komputasi selama 228 detik.