Stroke, sebuah kondisi neurologis serius, merupakan penyakit yang menyebabkan tingkatkecacatandankematianyangtinggidiseluruhdunia.OrganisasiKesehatan Dunia (WHO) mencatat bahwa setiap tahunnya, jutaan orang di seluruh dunia menderita stroke, dan dampaknya tidak hanya terbatas pada kesehatan individu, tetapi juga memiliki implikasi sosial dan ekonomi yang signifikan. Diagnosis dini danakuratdaristrokememainkanperankuncidalammenyediakanperawatanyang tepat waktu dan efektif bagi para pasien. Namun, diagnosis stroke seringkali merupakan tantangan, terutama karena gejalanya yang bervariasi dan tumpang tindih dengan kondisi kesehatan lainnya.

Dalam upaya meningkatkan akurasi dan keandalan diagnosis stroke, pendekatan klasifikasi data telah menjadi fokus utama dalam penelitian medis. Dalam konteks ini, penggunaan metode klasifikasi yang canggih, seperti Adaboost dan Particle Swarm Optimization (PSO), telah menarik perhatian para peneliti. Adaboost, atau Adaptive Boosting, adalah teknik klasifikasi yang kuat dalam machine learning. Metode ini bekerja dengan menggabungkan sejumlah besar "lemah pembelajaran" (weak learners), seperti decision trees, menjadi model yang kuat. Dengan kemampuannya untuk menangani data yang tidak seimbang dan mengurangi overfitting, Adaboost telah terbukti efektif dalam banyak aplikasi klasifikasi, termasuk dalam bidang medis.

Di sisi lain, Particle Swarm Optimization (PSO) adalah algoritma optimisasi yang terinspirasi oleh perilaku kawanan partikel dalam pencarian makanan. PSO telah digunakansecaraluasdalamseleksifitur,yaituprosespemilihansubsetfiturterbaik darisekumpulanfituryangada.DenganmenggunakanPSOuntukseleksifitur,kita dapat meningkatkan efisiensi dan kinerja model klasifikasi dengan mengurangi dimensifituryangtidakrelevanatauredundan,sertameningkatkaninterpretabilitas model.

Studi ini bertujuan untuk menguji kinerja model klasifikasi menggunakan metode Adaboost dengan dan tanpa seleksi fitur PSO pada Dataset Penyakit Stroke. Hasil pengujian menunjukkan bahwa Adaboost dengan seleksi fitur PSO menghasilkan nilai akurasi yang lebih tinggi daripada Adaboost tanpa seleksi fitur. Nilai akurasi tertinggi dicapai oleh model klasifikasi Adaboost dengan PSO, menunjukkan potensi untuk meningkatkan diagnosis stroke dan memberikan perawatan yang lebih efektif bagi pasien. Dengan demikian, penggunaan kombinasi Adaboost dan PSO dapat menjadi alat yang berguna dalam bidang medis untuk mengatasi tantangan dalam diagnosis penyakit yang kompleks seperti stroke.