Peningkatan support vector machine untuk memprediksi diabetes melitus dengan pendekatan machine learning

Abstract

Prevalensi diabetes saat ini semakin meningkat di seluruh dunia, termasuk di Indonesia, akibat meningkatnya tingkat stres dan kurangnya aktivitas fisik yang berujung pada obesitas dan komplikasi terkait seperti hipertensi. Namun, hanya sekitar 25% pasien diabetes yang menyadari kondisinya. Oleh karena itu, penelitian ini bertujuan untuk menemukan algoritma yang dapat membantu memprediksi dengan akurasi yang lebih baik menggunakan dataset Diabetes Mellitus yang diperoleh dari Kaggle. Untuk memperoleh informasi tingkat akurasi diagnosis diabetes, data akan diolah menggunakan dua metode yaitu Support Vector Machine dan Naive Bayes. Untuk memperoleh hasil yang paling akurat, kami mengoptimalkan setiap varian dan parameter dari setiap algoritma yang digunakan. Metode terbaik pada penelitian ini dihasilkan oleh metode Support Vector Machine dengan kernel Radial Basis Function ( rbf ) yang mencapai tingkat akurasi sebesar 98,25%, unggul dibandingkan metode Naive Bayes yang memperoleh akurasi tertinggi hanya sebesar 77,25%. Selain itu, penelitian ini juga menerapkan metode yang diusulkan dengan menggunakan dataset Diabetes Mellitus dari LAB01 DAT263x yang diambil dari website Kaggle. Hasil eksperimen menunjukkan bahwa model yang disarankan mengungguli metode lain dalam hal performa, dengan kecenderungan akurasi tinggi yang dihasilkan di setiap eksperimen untuk semua dataset