Klasifikasi penyakit stroke menggunakan decision tree c5.0 dengan Local Outlier Factor (LOF) untuk deteksi outlier

Stroke menempati urutan ketiga sebagai penyebab kematian terbanyak di dunia, berada setelah penyakit jantung dan kanker. Selain meningkatkan angka kematian, stroke juga menimbulkan beban kesehatan jangka panjang bagi penderitanya. Penelitian ini bertujuan untuk mengklasifikasikan penyakit stroke menggunakan metode Decision Tree C5.0. Decision Tree merupakan metode klasifikasi yang memanfaatkan struktur pohon keputusan untuk memetakan hubungan antar variabel. Sebelum melakukan proses klasifikasi data medis, sering ditemui kendala karena adanya data yang ekstrem atau keberadaan outlier. Untuk mendeteksi keberadaan outlier, penelitian ini menggunakan algoritma LOF (Local Outlier Factor) yang mengidentifikasi outlier berdasarkan kepadatan lingkungan di sekitarnya. Hasil penelitian menunjukkan penerapan LOF dengan penanganan outlier dihapus pada algoritma Decision Tree C5.0 dengan pembagian data 5-fold cross validation mampu menghasilkan kinerja klasifikasi: akurasi sebesar 77,94%, presisi sebesar 14,69%, sensitivitas 71,91%, spesifisitas sebesar 78,25%, dan F1-Score 24,33%. Hasil penelitian ini diharapkan dapat memberikan informasi mengenai risiko stroke berdasarkan hasil pola klasifikasi menggunakan Decision Tree C5.0 dan deteksi outlier dengan LOF, sehingga pola distribusi risiko stroke dapat terlihat dengan jelas.