Laporan Proyek Stroke Prediction

Disusun oleh: Aditya Atallah

Domain Proyek

Latar Belakang

Stroke merupakan masalah kesehatan utama bagi masyarakat modern. Hal tersebut dikarenakan serangan stroke yang mendadak dapat mengakibatkan kematian, kecacatan fisik dan mental baik pada usia produktif maupun usia lanjut [1] Efek stroke bergantung pada bagian otak mana yang terluka dan seberapa parah pengaruhnya. Kematian secara mendadak dapat terjadi ketika seorang pasien mengalami stroke yang sangat parah (WHO, 2014). [2]

Penyakit stroke dapat terjadi karena beberapa faktor, diantaranya tekanan darah, riwayat fibrilasi atrium, kolesterol, diabetes dan lain sebagainya. Selama ini penanganan penyakit stroke dilakukan secara manual, dimana pasien melakukan pemeriksaan pada dokter spesialis penyakit syaraf. [2]

Dengan adanya faktor-faktor penyebab terjadinya stroke, dibutuhkanlah sebuah alat yang dapat mendeteksi seseorang dapat terindikasi dapat terkena stroke atau tidak. Sebagai contoh, aplikasi atau alat kedokteran yang dilengkapi dengan algoritma machine learning dapat menjadi solusi efektif. Algoritma ini dapat diprogram untuk menganalisis data kesehatan pasien, seperti riwayat tekanan darah, kadar kolesterol, dan faktor risiko lainnya. Melalui pendekatan machine learning, algoritma ini dapat belajar dari pola-pola yang kompleks dan memberikan prediksi yang akurat terkait kemungkinan pasien terkena stroke.

Penerapan Machine Learning pada bidang Kesehatan bukanlah hal baru, telah banyak penerapan yang dilakukan, sebagai contoh: alat Pendeteksi Penyakit melalui Citra medis seperti CT Scan, MRI. alat ini menggunakan machine learning untuk mendeteksi atau mendiagnosis penyakit. Misalnya, diagnosis kanker paru-paru, penyakit jantung, penyakit hati, dan lain sebagainya.

Pada proyek ini model prediksi stroke menggunakan data kegiatan dan informasi pribadi pasien yang dilakukan seperti, tipe perkejaan, married atau tidak, memiliki tekanan darah tinggi atau tidak dan lainnya dalam memprediksi seseorang kemungkinan memiliki stroke atau tidak.

Dengan adanya sebuah model prediksi stroke ini, Sistem ini akan membantu pihak yang berwenang dalam hal ini rumah sakit dan dokter untuk melakukan pencegahan dini terhadap pasien yang memiliki kemungkinan terkena stroke

Business Undestanding

Problem Statement

• Fitur apa saja yang paling mempengaruhi seseorang terkena stroke atau tidak?
• Bagaimana cara menghasilkan data yang baik digunakan untuk model Machine Learning?
• Seberapa akurat hasil klasifikasi stroke dengan fitur yang digunakan?

Goals

• Mengetahui fitur yang paling mempengaruhi dapat menyebabkan stroke
• Membangun sistem yang dapat mengumpulkan dan mengelola data kesehatan pasien dengan aman dan efektif, termasuk data kegiatan dan informasi pribadi yang relevan untuk prediksi stroke.
• Membuat Model Machine Learning yang dapat mengklasifikasikan seseorang terkena stroke secara akurat yaitu dengan memiliki tingkat akurasi 95%

Solution Statements

• Menggunakan beberapa algoritma machine learning, dalam proyek ini akan menggunakan Random Forest, KNN dan Suport Vector Machine (SVM).
• Melakukan Hyperparameter tuning untuk meningkatkan akurasi model.
• Melakukan Matrik evaluasi untuk mengevaluasi seberapa baik model dalam memprediksi

Data Understanding

Dataset yang digunakan adalah Dataset Stroke Prediction. Dataset ini digunakan untuk memprediksi kemungkinan seorang pasien terkena stroke berdasarkan parameter input seperti jenis kelamin, usia, berbagai penyakit, dan status merokok. Setiap baris dalam data memberikan informasi yang relevan tentang pasien. Link Dataset: Stroke Prediciion Dataset

Informasi Dataset:

• Dataset dalam bentuk format csv (Comma Seperated Value)
• Dataset memiliki 5110 sample dan 12 fitur
• Dataset terdapat missing value

Variable pada Dataset:

• id: unique identifier
• gender: jenis kelamin pasien "Male", "Female" or "Other"
• age: umur pasien
• hypertension: 0 jika pasien tidak memiliki tekanan darah tinggi dan 1 jika memiliki
• heart_disease: 0 jika pasien tidak memiliki sakit jantung dan 1 jika memiliki
• ever_married: status Menikah "No" or "Yes"
• work_type: tipe perkejaan pasien "children", "Govt_jov", "Never_worked", "Private" or "Self-employed"
• Residence_type: Tempat tinggal seorang pasien dipedasaan yaitu "Rural" atau di perkotaan "Urban"
• avg_glucose_level: rata-rata kadar gula darah dalam waktu tertentu
• bmi: ukuran body mass index pasien
• smoking_status: Status Merekok pasien "formerly smoked", "never smoked", "smokes" or "Unknown"*
• stroke: 1 jika pasien memiliki stroke atau 0 jika tidak

Pada features id akan dihapus karena tidak memiliki hubungan dalam melakukan prediksi seseorang stroke

Hasil Statistik Data

Berikut Tampilan hasil Statistik Data pada feature bertipe numeric

	Age	avg_glucose_level	bmi
count	5110	51110	4909
mean	43.215	106.147	28.8
std	22.633	45.28	7.85
min	0	55.12	10.3
25%	25	77.245	23.5
50%	45	91.885	28.1
75%	61	114.09	33.1
max	82	271.74	97.6

Univariate Analysis

Categorical Feature

• Feature Gender

  Sample	Pria	Wanita	Others
  Gender	2513	1701	1

Terdapat 1 nilai error yaitu Others, maka nilai tersebut akan dihapus.

• Pada Setiap Feature berikut ini yaitu hypertension, heart_disease, ever_merried, work_type, Residence_type dan smoking_status tidak terjadi nilai error, akan tetapi penyebaran data tiap feature tidak merata yang mungkin dapat menyebabkan bias

  • Hypertension

    Sample	0	1
    Hypertension	3923	292

  • Heart_disease

    Sample	0	1
    Heart_disease	4060	155

  • Ever_married

    Sample	Yes	No
    Ever_married	2642	1573

  • Work_type

    Sample	Private	Self-Employed	Children	Govt_job	Never_worked
    Work_type	2412	629	620	532	22

  • Resident_type

    Sample	Urban	Rural
    Resident_type	2138	2077

  • smoking_status

    Sample	never_smoked	unknown	formly_smoked	smokes
    Smoking_status	1569	1339	671	636

Numerical Features

• Penyebaran data untuk feature BMI dan Age cukup normal akan tetapi tidak pada feature Avg_glucosa_lvl yang cenderung miring ke kanan
• pada feature age rata-rata umur pada dataset ini adalah 40 hingga 50
• pada feature BMI rata-rata berat ideal seseorang berada di 25-30
• pada feature Avg_glucosa_level rata-rata berada disekiatar 70-100 akan tetapi banyak juga yang mencapai lebih dari 160 untuk tingkat gula darah

Multivariet Analysis

Categorical Feature

• Feature Gender feature gender tidak memiliki korelasi terhadap penyebab stroke, karena baik pria dan wanita dapat terkena stroke

  
  
  

• Feature Hypertension feature Hypertension memiliki korelasi penyebab stroke jika seseorang memiliki hypertensi maka ada kemungkinan terkena stroke

  
  
  

• Feature Heart Disease feature Heart Disease memiliki pengaruh penyebab terjadi stroke jika seseorang memiliki heart disease

  
  
  

• Feature ever Married feature ever Married memilikki pengaruh terjadinya stroke, berdarkan data seseorang yang telah menikah cenderung dapat terkena stroke dibandingkan dengan yang tidak menikah

  
  
  

• Feature Work_type Feature work type memiliki pengaruh terhadap terjadinya seseorang stroke, ketika seseorang memiliki pekerjaan tertentu dapat menyebabkan stroke dibandingkan yang tidak bekerja, hal ini dapat dipengaruhi berbagai hal seperti tekanan ditempat kerja jadwal pekerjaan yang padat dan banyak hal lain

  
  
  

• Feature Residance type feature residance type tidak terlalu mempengaruhi seseorang terjadinya stroke atau tidak, baik tinggal didaerah perkotaan ataupun pedesaan

  
  
  

• Feature smoking_status feature smoking status tidak terlalu memiliki korelasi terjadinya stroke. pada data baik yang tidak merokok, maupun yang merokok dapat terkena stroke

  
  
  

Numerical Feature

Korelasi antar numeric feature, tidak memiliki hubungan satu sama lain, hal ini dapat diliat dari nilai tiap korealsi yang berada disekitar nol koma.

Data Preparation

• One Hot Encoding One-Hot Encoding adalah teknik yang mengubah data kategorik menjadi data numeric. Setiapdata kategori menjadi kolom baru dengan nilai 0 atau 1. Hal ini sangat berguna ketika memiliki data kategori yang tidak dapat langsung digunakan dalam model matematis. Pada proyek ini fitur yang akan melakukan one hot encoding adalah hypertension,heart_disease,gender, ever_married, work_type, Residence_type, smoking_status
• Train-Test Split Melakukan Train-Test Split menjadi 2 kelompok data yaitu data Train yang digunakan untuk melatih model dan data test untuk melakukan pengujian setelah model dilatih. Hal ini dilakukan untuk menghasilkan model yang dapat memprediksi pada data yang belum pernah dilihat sebelumnya. pada proyek ini data dibagi menjadi 80% data train dan 20% data test
• Standarization Standarization adalah proses yang dilakukan pada data numerik dalam analisis statistik dan machine learning untuk mengubah distribusi data sehingga memiliki rata-rata 0 dan deviasi standar 1. hal ini dilakukan untuk menyamakan scala data tanpa kehilangan nilai data yang sebenarnya

Modelling

Pada Proyek ini menggunakan 3 Algoritma yaitu K-Neighbors Classifer, Support Vector Machine Classifer dan Random Forest Classifier

• K-Neighbors Classifer K-Nearest Neighbors (KNN) adalah algoritma yang digunakan untuk masalah klasifikasi dan regresi. algoritma ini bekerja dengan cara mengklasifikasikan suatu data berdasarkan mayoritas kelas dari k-nearest neighbors (tetangga terdekat) di sekitarnya. Jika suatu data memiliki mayoritas tetangga dari kelas A, maka data tersebut diklasifikasikan sebagai kelas A.

  • Kelebihan Sederhana dan Mudah Dimengerti Tidak Memerlukan Training Modelnya langsung menggunakan data pelatihan untuk melakukan prediksi. Kemampuan Menangani Data Nonlinear dan Multikelas yaitu KNN mampu menangani masalah klasifikasi multikelas.
  • Kekurangan Komputasi yang Tinggi Sensitif terhadap Outlier Memerlukan Penyesuaian Parameter
  • parameter
    • n_neighbors : Menentukan jumlah tetangga terdekat yang akan dipertimbangkan

• Support Vector Machine Classifer Support Vector Machine (SVM) adalah algoritma machine learning yang digunakan untuk masalah klasifikasi dan regresi. SVM berusaha menemukan batas keputusan (decision boundary) yang optimal untuk memisahkan dua kelas. Batas keputusan ini ditemukan dengan mencari hyperplane yang memiliki margin terbesar antara dua kelas.

  • Kelebihan Efektif di Ruang Dimensi Tinggi terutama ketika jumlah fitur (variabel) lebih besar dari jumlah sampel. Mampu Menangani Data yang Tidak Terpisah Linear: Dengan menggunakan kernel yang sesuai, SVM dapat menangani data yang tidak dapat dipisahkan secara linear. Tahan terhadap Overfitting: SVM memiliki kemampuan untuk mengontrol overfitting melalui parameter
  • Kekurangan Pemilihan Kernel yang Tidak Tepat: Pemilihan kernel yang tidak tepat dapat menghasilkan performa model yang buruk. Komputasi yang Intensif: SVM dapat menjadi komputasi yang intensif, terutama jika datasetnya besar. Tidak Cocok untuk Dataset Besar: SVM mungkin kurang cocok untuk dataset yang sangat besar karena memerlukan memori dan waktu komputasi yang signifikan.
  • parameter
    • C: Parameter yang mengontrol trade-off antara margin dan kesalahan klasifikasi.
    • kernel: Jenis kernel yang akan digunakan (linear, polynomial, radial basis function (RBF), dll.).
    • gamma: Koefisien kernel untuk 'rbf', 'poly', dan 'sigmoid'. Nilai yang tinggi akan menghasilkan margin yang lebih rendah dan lebih kompleks.

• Random Forest Classifer Random Forest adalah algoritma ensemble yang digunakan untuk masalah klasifikasi dan regresi. Ensemble learning melibatkan penggabungan hasil beberapa model untuk meningkatkan kinerja dan ketahanan model terhadap overfitting. Random Forest mengoperasikan sekelompok pohon keputusan yang dihasilkan secara acak dan menggabungkan hasil prediksi mereka.

  • Kelebihan Kinerja yang Tinggi: Random Forest cenderung memberikan kinerja yang tinggi karena menggabungkan prediksi dari beberapa pohon keputusan. Ketahanan terhadap Overfitting: Dengan membangun pohon keputusan dari subset acak fitur dan sampel, Random Forest lebih tahan terhadap overfitting dibandingkan dengan pohon keputusan tunggal. Kemampuan Menangani Data yang Tidak Seimbang: Random Forest dapat menangani ketidakseimbangan kelas dengan memberikan bobot yang seimbang pada setiap pohon.
  • Kekurangan Interpretasi yang Sulit: Random Forest umumnya sulit untuk diinterpretasi, terutama ketika terdiri dari banyak pohon. Komputasi yang Intensif: Pelatihan Random Forest dapat menjadi komputasi yang intensif terutama pada dataset besar dan dengan jumlah pohon yang tinggi.
  • parameter
    • n_estimators: Jumlah pohon dalam ensemble.
    • max_depth: Kedalaman maksimum setiap pohon.
    • min_samples_split: Jumlah sampel minimum yang diperlukan untuk membagi simpul internal.
    • min_samples_leaf: Jumlah sampel minimum yang diperlukan untuk menjadi daun (simpul paling bawah).

• Hyperparameter Tuning Hyperparameter tuning adalah proses mencari kombinasi optimal dari hyperparameter untuk suatu model machine learning dengan tujuan meningkatkan performa model. Menentukan hyperparameter yang optimal dapat membantu meningkatkan kinerja model dan mengurangi risiko overfitting atau underfitting. pada proyek menggunakan GridSearch dalam mencari parameter yang telah ditentukan

  • K-Neighbors Classifer Parameter:
    • n_neighbors : 4
  • Random Forest Classifer
    • n_estimators: 50
    • max_depth: None
    • min_samples_split: 2
    • min_samples_leaf: 1
  • Support Vector Machine Classifer
    • C: 0.1
    • kernel: 'linear
    • gamma: 0.1

Dari Hasil Model dan Hyperparamter Tuning yang digunakan, Algoritma terbaik yang dapat digunakan adalah Random Forest

Evaluasi

Accuracy score adalah suatu metrik evaluasi yang umum digunakan dalam masalah klasifikasi untuk mengukur sejauh mana model klasifikasi dapat membuat prediksi yang benar. Metrik ini mengukur persentase jumlah prediksi yang tepat dibandingkan dengan jumlah total sampel. img

Dalam Klasifikasi Biner, jumlah prediksi benar dapat dihitung sebagai jumlah True Positives (TP) dan True Negatives (TN), sedangkan jumlah total sampel adalah jumlah seluruh sampel (termasuk False Positives dan False Negatives).

Hasil Evlauasi Proyek :

• Accuracy

	Train	Test
SVC	0.969149	0.96204
KNN	0.968852	0.959668
RFC	0.999703	0.96204

• Acurracy Score

Gambar Hasil Akurasi score dimana semakin mendekati 1 hasil model semakin bagus akurasi model tersebut.

dari Hasil Evaluasi Accuracy Score tampak setiap model menunjukan hasil yang baik yaitu diatas 95%, akan tetapi jika diliat lebih detail Random Forest memiliki hasil Evaluasi yang paling tinggi dibanding model lainnya

Hasil Pengujian:

5 data pertama pada data test

y_true	prediksi_knn	prediksi_svm	prediksi_rfc
0	0	0	0
0	0	0	0
0	0	0	0
0	0	0	0
0	0	0	0

Pada pengujian data test, semua mengklasifikasikan data test dengan benar dimana hasil y_true adalah 0 yang artinya tidak terkena stroke dan hasil prediksi tiap model juga menunjukan angka 0 yang artinya sesuai dengan hasil sebenarnya. sehingga setiap model mampu memprediksi seseorang terkena stroke atau tidak. akan tetapi disini akan menggunakan model Random Forest Classifier sebagai model utama dikarenakan tingkat akurasi yang diberikan lebih tinggi dibanding model lainnya.

Kesimpulan

Model Machine Learning yang dihasilkan dapat secara tepat memprediksi seseorang terkan stroke atau tidak. hal ini dapat membantu pengembangan pada bidang medis dengan menggunakan machine learning untuk mempermudah melakukan tindak pencegahan ketika pasien memiliki tanda-tanda stroke atau tidak

REFERENCE :

[1] Teknika, J., & Estian Pambudi, R. (n.d.). Teknika 16 (02): 221-226. IJCCS, x, No.x, 1–5. [2] Puspitawuri, A., Santoso, E., & Dewi, C. (2019). Diagnosis Tingkat Risiko Penyakit Stroke Menggunakan Metode K-Nearest Neighbor dan Naïve Bayes (Vol. 3, Issue 4). http://j-ptiik.ub.ac.id