komparasi penerapan metode Bagging dan Adaboost pada Algoritma c4.5 untuk prediksi Penyakit Stroke

Penyakit stroke merupakan gangguan fungsional otak yang disebabkan oleh tersumbatnya aliran peredaran darah. Secara global, stroke menjadi penyebab dari kematian dan kecacatan karena keterbatasan sumber daya dan ahli saraf. Oleh karena itu, diperlukan sistem klasifikasi data mining agar dapat membantu ahli saraf dalam menangani penyakit stroke. Penelitian ini bertujuan untuk memprediksi stroke agar dapat mengurangi risiko kematian dengan cara menerapkan metode klasifikasi data mining. Data yang digunakan untuk penelitian ini merupakan dataset stroke disease yang akan dianalisa menggunakan algoritma C4.5 dengan menerapkan metode bagging dan adaboost dari Ensemble Learning untuk memprediksi stroke. Hasil dari penelitian ini menunjukkan bahwa prediksi stroke menggunakan algoritma C4.5 mendapatkan nilai akurasi sebesar 92.87%. Sedangkan setelah dikombinasikan dengan metode bagging nilai akurasinya meningkat menjadi 95.02% dan setelah dikombinasikan dengan metode adaboost akurasinya meningkat menjadi 94.63%. Sehingga dapat disimpulkan bahwa penerapan metode bagging dan adaboost dapat meningkatkan kinerja dari algoritma C4.5. Namun peningkatan tersebut kurang signifikan karena hanya meningkat 3%