Model Decision Tree Untuk Prediksi Risiko Terserang Stroke Di RSUD Bung Karno Tahun 2023-2025

Stroke atau Cerebro Vascular Accident (CVA) merupakan gangguan neurologis fokal akibat gangguan vaskular sistem saraf pusat yang menjadi isu kesehatan masyarakat global dengan tingkat mortalitas dan kecacatan yang signifikan. Berdasarkan studi pendahuluan di RSUD Bung Karno Surakarta, kasus stroke menempati peringkat 10 besar penyakit tertinggi dengan variasi karakteristik pasien yang kompleks, namun optimalisasi sistem prediksi klinis berbasis data belum tersedia secara terstruktur. Penelitian ini bertujuan untuk menyusun model Decision Tree menggunakan algoritma C4.5 dalam memprediksi risiko terserang stroke di RSUD Bung Karno Surakarta, guna mendukung pengambilan keputusan klinis preventif yang efektif. Jenis penelitian ini adalah deskriptif kuantitatif dengan pendekatan retrospektif. Populasi penelitian sebanyak 719 data pasien stroke di Unit Rekam Medis RSUD Bung Karno, dengan sampel akhir setelah proses preprocessing (pembersihan, penanganan data tidak seimbang dengan undersampling, seleksi fitur, dan transformasi data) sebanyak 485 data pasien. Variabel prediktor yang diuji meliputi jenis kelamin, usia, hipertensi, penyakit jantung, kadar glukosa darah, dan Body Mass Index (BMI). Analisis komputasional menggunakan perangkat lunak Orange Data Mining dengan Hasil menunjukkan bahwa dari 485 pasien stroke, mayoritas didominasi oleh kelompok usia di atas 65 tahun (34,64persen), memiliki riwayat penyakit jantung (88,45persen), mengidap hipertensi (73,81persen), dan memiliki kadar glukosa darah kategori diabetes (68,25persen). Perhitungan Decision Tree dengan algoritma C4.5 menetapkan variabel penyakit jantung (heart disease) sebagai node akar (root node) karena memiliki nilai information gain tertinggi sebesar 0,6416, diikuti oleh variabel hipertensi, sebagai cabang keputusan fungsional. Pengujian performa model yang dievaluasi melalui metode K-Fold Cross Validation, kurva ROC, dan Confusion Matrix menghasilkan nilai akurasi, presisi, dan recall yang optimal, serta menghasilkan nilai AUC (Area Under the Curve) yang mengonfirmasi tingkat kemampuan klasifikasi model. Kesimpulan dari penelitian ini menunjukkan bahwa model Decision Tree dengan algoritma C4.5 berhasil dikembangkan dan terbukti mampu melakukan klasifikasi serta prediksi risiko terserang stroke secara representatif berdasarkan dataset lokal RSUD Bung Karno Surakarta. Aturan keputusan (decision rules) yang terbentuk mengidentifikasi bahwa penyakit jantung, hipertensi dan tingginya kadar glukosa darah merupakan faktor-faktor yang paling dominan dalam memicu risiko stroke pada pasien. Berdasarkan hasil penelitian, RSUD Bung Karno disarankan untuk mengintegrasikan model prediksi risiko stroke ke dalam Sistem Informasi Manajemen Rumah Sakit (SIMRS) sebagai instrumen skrining awal dan bahan pertimbangan dalam pengembangan sistem pendukung keputusan untuk identifikasi dini risiko stroke.