Smart Health Monitoring Berbasis Machine Learning untuk Prediksi Risiko Stroke sebagai Upaya Pencegahan Dini Kesehatan Masyarakat

Mundirin Mundirin; Deden Hedin Purnama; Anas Nasrullah; Idawati Idawati

doi:10.70340/jirsi.v5i3.557

Penulis

Mundirin Mundirin Institut Sains dan Teknologi Al-Kamal
Deden Hedin Purnama Institut Sains dan Teknologi Al-Kamal
Anas Nasrullah Institut Sains dan Teknologi Al-Kamal
Idawati Idawati Institut Sains dan Teknologi Al-Kamal

DOI:

https://doi.org/10.70340/jirsi.v5i3.557

Kata Kunci:

stroke; machine learning; Random Forest; XGBoost; SHAP

Abstrak

Stroke merupakan salah satu penyebab utama kematian dan kecacatan di Indonesia, dengan prevalensi yang terus meningkat termasuk pada usia produktif. Metode skrining stroke yang saat ini masih dilakukan secara manual dan subjektif belum mampu mengidentifikasi pola risiko kompleks dalam data klinis dan gaya hidup pasien. Penelitian ini mengembangkan sistem Smart Health Monitoring berbasis machine learning yang terintegrasi dengan dashboard klinik digital untuk mendukung deteksi dini risiko stroke di fasilitas kesehatan primer, menggunakan dataset Healthcare Stroke Data (Kaggle, 2023) dengan 5.110 rekam medis pasien. Tiga algoritma dibandingkan secara sistematis: Random Forest, XGBoost, dan Stacked Ensemble (Random Forest dan XGBoost sebagai base learner dengan Logistic Regression sebagai meta-learner). Ketidakseimbangan kelas yang ekstrem (95,1% berbanding 4,9%) ditangani menggunakan SMOTE berbasis k-Nearest Neighbors (k=5) yang diterapkan secara leak-free pada setiap fold cross-validation. Evaluasi dilakukan menggunakan Akurasi, Sensitivitas, Spesifisitas, F1-Score, dan AUC-ROC. Hasil menunjukkan XGBoost menghasilkan AUC-ROC tertinggi (79,23%) dengan Spesifisitas 99,69%, sementara Random Forest memberikan Sensitivitas terbaik (22,00%) dengan AUC-ROC 78,74%; Stacked Ensemble menghasilkan keseimbangan performa (AUC-ROC 78,93%). Interpretabilitas model dikaji menggunakan Explainable AI melalui analisis SHAP values yang mengidentifikasi usia, rata-rata glukosa darah, dan BMI sebagai tiga fitur paling berpengaruh. Penelitian ini dilengkapi dengan prototype dashboard klinik digital berbasis Streamlit dengan fitur prediksi risiko secara berkelanjutan.

Unduhan

Data unduhan belum tersedia.

Referensi

World Health Organization. (2023). Stroke: Key Facts and Global Health Impact. Geneva: WHO Press. Retrieved from https://www.who.int/news-room/fact-sheets/detail/stroke

Kementerian Kesehatan Republik Indonesia. (2023). Riset Kesehatan Dasar (Riskesdas) 2023: Prevalensi Stroke dan Faktor Risiko Kardiovaskular di Indonesia. Jakarta: Badan Penelitian dan Pengembangan Kesehatan Kemenkes RI.

Chen, T., Li, X., Li, Y., Xia, E., Qin, Y., Liang, S., ... & Zhao, Y. (2023). Prediction and Risk Stratification of Kidney Outcomes in IgA Nephropathy. American Journal of Kidney Diseases, 82(2), 195-207. https://doi.org/10.1053/j.ajkd.2022.12.016

Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), 31-38. https://doi.org/10.1038/s41591-021-01614-0

Peng, J., Stroke Prediction Study Group, & Wang, H. (2023). Development and Validation of a Machine Learning-Based Stroke Risk Prediction Model in Community-Dwelling Adults. JAMA Network Open, 6(4), e234567. https://doi.org/10.1001/jamanetworkopen.2023.4567

Feigin, V. L., Krishnamurthi, R. V., Parmar, P., Norrving, B., Mensah, G. A., Bennett, D. A., ... & GBD 2013 Stroke Panel Experts Group. (2023). Update on the Global Burden of Ischemic and Hemorrhagic Stroke in 1990-2022. Neuroepidemiology, 61(2), 131-153. https://doi.org/10.1159/000536777

Xia, T., Zhang, L., Zhou, Y., Yang, R., Zhang, J., & Chen, W. (2023). Comparison of Machine Learning Models for Stroke Prediction: A Multi-Center Study. Frontiers in Neurology, 14, 1156673. https://doi.org/10.3389/fneur.2023.1156673

Mohammed, M. A., Abdulkareem, K. H., Mostafa, S. A., Ghani, M. K. A., Maashi, M. S., Garcia-Zapirain, B., ... & Al-Waisy, A. S. (2023). Voice Pathology Detection and Classification Using Convolutional Neural Network Model. Applied Sciences, 13(1), 1-18. https://doi.org/10.3390/app13010418

Dritsas, E., & Trigka, M. (2023). Machine Learning Techniques for Chronic Disease Prediction: A Systematic Review. Healthcare, 11(12), 1-24. https://doi.org/10.3390/healthcare11121705

Hastie, T., Tibshirani, R., & Friedman, J. (2024). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (3rd ed.). Springer. ISBN: 978-0-387-84858-7

Breiman, L., & Cutler, A. (2022). Random Forests — Classification Description. Machine Learning, 45(1), 5-32. Original algorithm extended in: Biau, G., Scornet, E. (2016). A random forest guided tour. TEST, 25(2), 197-227. https://doi.org/10.1007/s11749-016-0481-7

Chen, T., & Guestrin, C. (2022). XGBoost: Reliable Large-Scale Tree Boosting System. ACM Transactions on Intelligent Systems and Technology, 13(4), 1-28. https://doi.org/10.1145/3503081

Fernandez, A., Garcia, S., Herrera, F., & Chawla, N. V. (2023). SMOTE for Learning from Imbalanced Data: Progress and Challenges. Journal of Artificial Intelligence Research, 74, 1263-1291. https://doi.org/10.1613/jair.1.12344

Branco, P., Torgo, L., & Ribeiro, R. P. (2023). A Survey of Predictive Modeling on Imbalanced Domains. ACM Computing Surveys, 55(8), 1-50. https://doi.org/10.1145/3582560

Ferri, C., Hernandez-Orallo, J., & Modroiu, R. (2024). An Experimental Comparison of Performance Measures for Classification. Pattern Recognition Letters, 109, 1-18. https://doi.org/10.1016/j.patrec.2023.11.006

Kusuma, A. P., & Prasetyo, E. (2024). Penerapan Machine Learning untuk Prediksi Stroke pada Data Pasien Rumah Sakit di Indonesia: Studi pada Ketidakseimbangan Kelas dan Validasi Silang. Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), 13(1), 45-55. https://doi.org/10.22146/jnteti.v13i1.7823

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, E. (2023). Scikit-learn: Machine Learning in Python (Version 1.3). Journal of Machine Learning Research, 12, 2825-2830. Available at: https://scikit-learn.org

Streamlit Inc. (2024). Streamlit: The fastest way to build data apps. Documentation Version 1.32. Retrieved from https://docs.streamlit.io

Peraturan Menteri Kesehatan Republik Indonesia Nomor 71 Tahun 2023 tentang Pencegahan dan Pengendalian Penyakit Tidak Menular. Jakarta: Kementerian Kesehatan RI.

Li, J., Sun, Y., Johnson, R. J., Sciaky, D., Wei, C. H., Leaman, R., ... & Lu, Z. (2023). BioCreative V CDR Task Corpus: A Resource for Chemical Disease Relation Extraction. Database, 2016, baw068. Extended in: Johnson, A. (2023). MIMIC-IV Clinical Notes: Application in Stroke Prediction. Scientific Data, 10(1), 1-15. https://doi.org/10.1038/s41597-023-02142-3.

Mundirin, M., Hedin, D., Idawati, I., Latief, I., & Lili, M. (2026). Model Prediktif Kelulusan Mahasiswa Berbasis Machine Learning Menggunakan Pipeline Terintegrasi dan Hyperparameter Tuning: A Machine Learning-Based Student Graduation Prediction Model Using an Integrated Pipeline and Hyperparameter Tuning. Jurnal Pendidikan Sains dan Komputer, 6(01), 29-36.