Analisis Perbandingan Kinerja KNN Dan Logistic Regression Pada Klasifikasi Risiko Stroke
DOI:
https://doi.org/10.35889/jutisi.v15i4.3812Keywords:
Klasifikasi, KNN, Logistic Regression, SMOTE, StrokeAbstract
Stroke is a primary cause of mortality globally, making accurate risk classification vital for early intervention. This study aims to evaluate the effectiveness of K-Nearest Neighbor (KNN) compared to Logistic Regression in detecting stroke risk. Utilizing 4,981 medical records from Kaggle, the SMOTE technique was implemented to address data imbalance across 80:20 and 70:30 split scenarios. Results indicate that Logistic Regression outperforms KNN, providing more consistent performance in detecting high-risk classes. The most optimal performance was achieved by Logistic Regression at an 80:20 ratio, reaching 80.00% recall and 74.12% accuracy. This study demonstrates that Logistic Regression is a more effective and sensitive method for identifying clinical stroke risk factors in medical decision support systems.
Keywords: Classification; KNN; Logistic Regression; SMOTE; Stroke
Abstrak
Stroke merupakan penyebab kematian utama secara global, sehingga klasifikasi risiko yang akurat sangat penting untuk intervensi dini. Penelitian ini bertujuan mengevaluasi efektivitas algoritma K-Nearest Neighbor (KNN) dibandingkan Logistic Regression dalam mendeteksi risiko stroke. Dengan menggunakan dataset 4.981 rekam medis dari Kaggle, teknik SMOTE diterapkan untuk menangani ketidakseimbangan data pada skenario pembagian 80:20 dan 70:30. Hasil menunjukkan Logistic Regression mengungguli KNN dengan performa lebih konsisten dalam mendeteksi kelas risiko. Kinerja paling optimal dicapai Logistic Regression pada rasio 80:20 dengan nilai recall 80,00% dan akurasi 74,12%. Penelitian ini membuktikan Logistic Regression adalah metode yang lebih efektif dan sensitif dalam mengidentifikasi faktor risiko klinis stroke untuk mendukung sistem keputusan medis.
Kata kunci: Klasifikasi; KNN; Logistic Regression; SMOTE; Stroke
References
[1] L. Nugraheni, J. T. Atmojo, and A. S. Mubarok, “Efektivitas Pemberian Elevasi Kepala 30 Derajat Dalam Peningkatan Saturasi Oksigen Pada Pasien Stroke: Literature Review,” Journal of Language and Health, vol. 5, no. 2, pp. 435–444, 2024, [Online]. Available: http://jurnal.globalhealthsciencegroup.com/index.php/JLH
[2] A. H. Siregar, A. A. Tumanggor, and A. Rahmadani, “Penerapan K-Nearest Neighbors (KNN) dalam Memprediksi dan Menghitung Akurasi Data Penyakit Stroke,” Jurnal Penelitian Rumpun Ilmu Teknik, vol. 2, no. 4, pp. 146–154, Nov. 2023, doi: 10.55606/juprit.v2i4.3040.
[3] E. F. Nopitasari, S. P. A. Alkadri, and R. W. S. Insani, “Implementasi Data Mining untuk Klasifikasi Penyakit Stroke Menggunakan Algoritma K-Nearest Neighbor,” KREATIF: Jurnal Pengabdian Masyarakat Nusantara, vol. 5, no. 3, pp. 344–365, Sep. 2025, doi: 10.55606/kreatif.v5i3.8215.
[4] D. Nasien et al., “Perbandingan Implementasi Machine Learning Menggunakan Metode KNN, Naive Bayes, Dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes,” JURNAL TEKNIK INFORMATIKA, vol. 4, no. 1, pp. 10–17, 2024.
[5] D. Sitanggang et al., “Implementasi Data Mining Untuk Memprediksi Penyakit Jantung Menggunakan Metode K-Nearest Neighbor Dan Logistic Regression,” Jurnal TEKINKOM, vol. 5, no. 2, pp. 493–501, 2022, doi: 10.37600/tekinkom.v5i1.698.
[6] Y. Azhar, A. K. Firdausy, and P. J. Amelia, “Perbandingan Algoritma Klasifikasi Data Mining Untuk Prediksi Penyakit Stroke,” SINTECH, vol. 5, no. 2, pp. 191–197, 2022, [Online]. Available: https://doi.org/10.31598
[7] Zuriati Z and Qomariyah N, “Klasifikasi Penyakit Stroke Menggunakan Algoritma K-Nearest Neighbor (KNN),” Jurnal Sistem dan Teknologi Informasi, vol. 1, no. 1, pp. 1–8, 2023, doi: 10.20222/rt.v1i1.2665.
[8] H. A. D. Fasnuari, H. Yuana, and M. T. Chulkamdi, “Penerapan Algoritma K-Nearest Neighbor (K-NN) Untuk Klasifikasi Penyakit Diabetes Melitus Studi Kasus : Warga Desa Jatitengah,” Antivirus : Jurnal Ilmiah Teknik Informatika, vol. 16, no. 2, pp. 133–142, Oct. 2022, doi: 10.35457/antivirus.v16i2.2445.
[9] L. N. Mukarromah, Z. Fatah, and I. Yunita, “Klasifikasi Penyakit Diabetes Menggunakan Metode K-Nearest Neighbors (KNN),” JURNAL RISET TEKNIK KOMPUTER, vol. 1, no. 4, pp. 41–46, 2024, doi: 10.69714/jgq41610.
[10] A. A. Putri Lo and V. J. E. Tjioe, “Penerapan Model CRISP-DM untuk Prediksi Penyakit Diabetes Menggunakan Metode K-Nearest Neighbor dan Logistic regression,” Prosiding SENAM, vol. 4, pp. 48–57, 2024.
[11] N. H. Setyawan and N. Wakhidah, “Analisis Perbandingan Metode Logistic Regression, Random Forest, Gradient Boosting Untuk Prediksi Diabetes,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 1, pp. 150–162, Jan. 2025, doi: 10.29100/jipi.v10i1.5743.
[12] H. Hatta Irsyad, M. I. Syafwan, and D. Ramadhani, “Analisis Perbandingan Kinerja Algoritma K-Nearest Neighbors DAN Support Vector Machine Untuk Klasifikasi Penyakit Diabetes,” Journal of System & Technology, vol. 1, no. 2, pp. 43–48, 2025
[13] Z. Khairi, R. Yanti, T. A. Fitri, and E. Fatdha, “Optimasi Algoritma Knn Menggunakan Smote Untuk Prediksi Stroke,” Jurnal Algoritma, vol. 22, no. 2, pp. 164–175, Nov. 2025, doi: 10.33364/algoritma/v.22-2.2474.
[14] A. Aryanti, F. P. Daviana, N. D. Ulhaq, M. Riswanto, M. D. Alfajri, and N. T. Novita, “Perbandingan Metode K-Nearst Neighbor dan Logistic Regression dalan Klasifikasi Dini Anemia Berdasarkan Parameter Hematologi Dasar,” Jurnal Riset Rekayasa Elektro, vol. 7, no. 2, pp. 251–258, 2025.
[15] Devian, P. N. Sabrina, and A. Komarudin, “Prediksi Penyakit Diabetes Dengan Metode K-Nearest Neighbor (KNN) Dan Seleksi Fitur Information Gain,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 6, pp. 11320–11326, 2024.
[16] V. Artanti, M. Faisal, and F. Kurniawan, “Klasifikasi Cardiovascular Diseases Menggunakan Algoritma K-Nearest Neighbors (KNN),” Techno.COM, vol. 23, no. 2, pp. 469–481, 2024.
[17] A. C. Firdaus and I. Veritawati, “Penerapan Algoritma K-Nearest Neighbor (KNN) untuk Memprediksi Stroke pada Rumah Sakit Pusat Otak Nasional Prof. Dr. dr. Mahar Mardjono Jakarta,” TEKINFO, vol. 26, no. 1, pp. 144–153, 2025, doi: 10.37817/Tekinfo.v26i1.
[18] M. N. Maskuri, Harliana, K. Sukerti, and H. R. M. Bhakti, “Penerapan Algoritma K-Nearest Neighbor (KNN) untuk Memprediksi Penyakit Stroke,” Jurnal Ilmiah Intech : Information Technology Journal of UMUS, vol. 4, no. 1, pp. 130–140, 2022.
[19] D. Mualfah, W. Fadila, and R. Firdaus, “Teknik SMOTE untuk Mengatasi Imbalance Data pada Deteksi Penyakit Stroke Menggunakan Algoritma Random Forest,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 2, pp. 107–113, Aug. 2022, doi: 10.37859/coscitech.v3i2.3912.
[20] M. I. C. Rachmatullah, S. Armiati, and Mubassiran, “Menerapkan SMOTE Pada Klasifikasi Data Penyakit Stroke,” Jurnal Ilmiah Manajemen Informatika, vol. 17, no. 1, pp. 9–12, 2025.
[21] R. A. Zuama, S. Rahmatullah, and Y. Yuliani, “Analisis Performa Algoritma Machine Learning pada Prediksi Penyakit Cerebrovascular Accidents,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, pp. 531–534, Jan. 2022, doi: 10.30865/mib.v6i1.3488.
[22] S. Nurfatimah Bakari, A. Lasarudin, and W. Hasyim, “Penerapan Data Mining Dalam Mengklasifikasi Resiko Penyakit Stroke Menggunakan Algoritma SVM Dan ANN,” JURNAL ILMU KOMPUTER (JUIK), vol. 5, no. 2, pp. 114–125, 2025, [Online]. Available: https://journal.umgo.ac.id/index.php/juik/index
[23] F. Ananda Kusuma and B. Prasetyo, “Pemodelan Klasifikasi Anemia Aplastik Menggunakan Teknik Oversampling Dan K-Nearest Neighbors,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, pp. 1587–1592, Aug. 2024, doi: 10.23960/jitet.v12i3.4326.
[24] D. Fajriati, “Implementasi Metode Machine Learning Berbasis Statistik untuk Klasifikasi Data Medis,” Jurnal Matematikan dan Sains Alam, vol. 1, no. 1, pp. 15–21, 2026, [Online]. Available: https://ojs.feliciajurnal.com/index.php/jmsa/index
[25] J. Sulaksono, D. Putra Pamungkas, and D. W. Widodo, “Analisis Perbandingan Model Machine Learning Untuk Prediksi Penyakit Jantung,” Prosiding Seminar Nasional Teknologi Dan Sains, vol. 5, pp. 707–712, 2026.
