SISTEM KLASIFIKASI RESIKO STROKE PADA PASIEN LANSIA BERBASIS SUPPORT VECTOR MACHINE

Stroke merupakan salah satu penyakit tidak menular dengan tingkat
mortalitas dan disabilitas yang tinggi, terutama pada kelompok lanjut usia. Deteksi
dini resiko stroke menjadi sangat penting untuk mencegah keterlambatan
penanganan medis. Namun, pemeriksaan klinis konvensional umumnya
membutuhkan peralatan medis dengan biaya tinggi serta waktu yang relatif lama.
Oleh karena itu, penelitian ini mengusulkan sistem klasifikasi resiko stroke pada
lansia berbasis Support Vector Machine (SVM) dengan kernel Radial Basis
Function (RBF) yang diperuntukkan sebagai sistem skrining atau pemeriksaan
awal.
Sistem yang dikembangkan memanfaatkan beberapa parameter fisiologis pasien,
meliputi tekanan darah sistolik dan diastolik, detak jantung, saturasi oksigen
(SpO2), suhu tubuh, serta kadar gula darah hasil perhitungan non-invasif. Data
diperoleh dari sensor kesehatan yang terintegrasi dengan perangkat Internet of
Things (IoT) dan dikirimkan ke web server untuk proses klasifikasi dan visualisasi
hasil. Model SVM dilatih menggunakan lebih dari 20.000 data latih hasil
penyeimbangan data dengan metode SMOTE, serta diuji menggunakan 21 data
pasien lansia yang diperoleh secara langsung.
Hasil pengujian menunjukkan bahwa model SVM dengan kernel RBF mampu
mengklasifikasikan risiko stroke ke dalam tiga kategori, yaitu risiko rendah, sedang,
dan tinggi, dengan tingkat akurasi sebesar 94,67%. Sistem yang dikembangkan
mampu menampilkan hasil klasifikasi secara real-time melalui antarmuka web,
sehingga memudahkan pemantauan dan interpretasi data. Meskipun akurasi sensor
masih memiliki keterbatasan, sistem ini dinilai layak digunakan sebagai alat
skrining awal dan pendukung pengambilan keputusan, namun tidak ditujukan
sebagai alat diagnosis klinis.
Kata kunci: Stroke, Lansia, Sensor, SVM, Skrining Awal, IoT