Light gradient boosting machine untuk deteksi penyakit stroke

Stroke merupakan salah satu penyakit yang berbahaya di dunia penyakit stroke merupakan penyakit kedua yang mengakibatkan kematian. Pada saat ini proses pendeteksian factor resiko seseorang untuk terkena stroke sangat penting dilakukan sebagai early detection. Pada saat ini sudah banyak algoritma machine learning yang mencoba mengatasi permasalahan dalam clinical data seperti SVM, dan Random Forest. Kedua metode ini sayangnya memiliki problem utama terbesar yaitu mudah sekali overfitting dan sangat rentan terhadap noise. Disebabkan oleh kelemahan yang diusulkan oleh kedua metode ini, peneliti mengusulkan metode Light Gradient Boosting Machine. Light Gradient Boosting Machine merupakan algoritma yang memiliki computational cost rendah. Pada penelitian ini kita menggunakan dua scenario utama yaitu scenario tanpa menggunakan fitur seleksi dan scenario kedua dengan menggunakan fitur seleksi menggunakan Variance Threshold method. Kesimpulan yang didapatkan dari penelitian adalah metode Light GBM memiliki hasil yang seimbang antara SVM dan RF akan tetapi model yang dibuat sangat bias hal ini dapat dilihat dari nilai precision dan recall yang berbeda jauh dari nilai akurasinya.