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.


Deskripsi Lain

Stroke is a medical condition caused by the interruption of blood flow to the brain, which can lead to blood vessel rupture blood clot formation. This study utilizes an ensemble method combining Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM), known Convolutional Long Short-Term Memory (C-LSTM). This approach leverages the strengths of both methods, allowing LSTM to process contextual relationships within the data while CNN excels in feature extraction. The study involves 11 features and includes parameter testing to determine the most effective configuration for optimal and consistent classification results. The goal is to achieve high performance from the C-LSTM classification model, aiming for high accuracy. Model performance is evaluated using a confusion matrix to obtain accuracy, precision, recall, and F1-score values. The results indicate that the C-LSTM model with SMOTE, without feature selection using Information Gain, shows the most balanced performance and highest accuracy in classifying "Stroke" and "No Stroke" cases, achieving 95%. The use of SMOTE significantly improved model performance balance, whereas feature selection using Information Gain did not always provide a significant improvement.

• IDENTIFIKASI UNTUK PENENTUAN TINGKAT KESESUAIAN LAHAN TERHADAP PADI SAWAH MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DENGAN VISUALISASI GOOGLE MAPS API
• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• KLASIFIKASI KOMPLEKSITAS VISUAL CITRA BERDASARKAN STRUCTURE, NOISE, DAN DIVERSITY MENGGUNAKAN SISTEM INFERENSI FUZZY MAMDANI
• Klasifikasi Efektifitas Pencapaian Belajar Menghafal Asmaul Husna Melalui Metode Pembelajaran Hanifida Menggunakan Game Edukai Dengan Metode Fuzzy
• RANCANG BANGUN E-DOCUMENT DI KANTOR PELAYANAN PERIJINAN TERPADU KABUPATEN BANGKALAN MENGGUNAKAN NAIVE BAYES CLASSIFIER