ABSTRAK
Stroke merupakan gangguan neurologis serius yang terjadi akibat terganggunya suplai darah ke otak, baik karna penyumbatan pembuluh darah maupun pecahnya pembuluh darah. Penelitian ini mengembangkan model klasifikasi resiko strok menggunakan metode K-Nearest Neighbor (KNN) yang dioptimasi dengan Algoritma Genetika (GA) untuk seleksi fitur dan penentuan nilai K terbaik. DataSet yang digunakan terdiri dari 40.910 data pasien dengan 10 atribut input dan 1 atribut target dari dataset kaggle yang berjudul diabetes, Hypertension, and Stroke Prediction. Melalui proses optimasi, diperoleh nilai K optimal sebesar 4 dengan 8 fitur terpilih, yaitu hypertension, Heart_disease, ever_married, work_type, Residence_type, avg_glucose_level,bmi, dan smoking_status Model optimal ini mencapai akurasi klasifikasi sebesar 98.15% pada pembagian data training dan testing 80:20, meningkat signifikan dibandingkan metode KNN konvensional yang menggunakan semua fitur dan nilai K 4 dengan akurasi 93.97%. Pendekatan ini membuktikan efektifitas optimasi GA dalam meningkatkan performa klasifikasi dan efesiensi model melalui pengurangan fitur yang tidak relevan, sekaligus mempertahankan kemampuan deteksi risiko stroke secara akurat.