Article Per Year (5 Year)
p-Index From 2021 - 2026
1.633
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal Ilmiah FIFO JURNAL TEKNIK Jurnal Tekinkom (Teknik Informasi dan Komputer) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) JIKA (Jurnal Informatika) Bulletin of Computer Science Research J-Intech (Journal of Information and Technology)
Azhari, Lukman
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Library & Information Science Materials Science & Nanotechnology Mechanical Engineering

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Evaluasi Kinerja Kernel Linear, RBF, dan Polynomial pada Model Support Vector Machine untuk Prediksi Risiko Hipertensi Saifuddin, Saifuddin; Azhari, Lukman; Widarti, Erni; Wartono, Wartono
Jurnal Ilmiah FIFO Vol 17, No 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2025.v17i2.008

Abstract

Hipertensi adalah penyakit tidak menular dengan angka kematian tinggi dan sering disebut “silent killer” karena gejalanya kerap tidak terlihat pada awalnya. Deteksi dini diperlukan untuk mencegah komplikasi seperti penyakit jantung dan stroke. Penelitian ini bertujuan mengevaluasi kinerja tiga kernel pada algoritma Support Vector Machine (SVM): Linear, Radial Basis Function (RBF), dan Polynomial. Ketiga kernel tersebut dipilih untuk mewakili karakteristik pemetaan data yang berbeda: kernel linear berguna untuk memisahkan data secara linier, kernel RBF dapat menangani pola nonlinier yang kompleks, dan kernel polynomial untuk memodelkan interaksi antar fitur dengan tingkat kedalaman tertentu. Dataset berasal dari Kaggle dan mencakup 4.240 entri dengan 12 fitur prediktor yang merepresentasikan kondisi klinis dan perilaku pasien. Hasil eksperimen menunjukkan bahwa SVM-Linear mencapai accuracy 87,26% dengan ROC-AUC 0,9518; SVM-RBF memperoleh accuracy 87,38% dengan ROC-AUC 0,9450; dan SVM-Polynomial menghasilkan accuracy 86,56% dengan ROC-AUC 0,9422. SVM-Linear merupakan model paling optimal berdasarkan kombinasi F1-score dan ROC-AUC karena memberikan keseimbangan terbaik antara ketepatan dan sensitivitas. Sementara itu, meskipun SVM-RBF mencatat accuracy tertinggi, peningkatannya tidak konsisten pada metrik lain, dan SVM-Polynomial menunjukkan performa sedikit lebih rendah karena kompleksitas model yang kurang sesuai dengan karakteristik data. Penelitian ini berkontribusi dengan memberikan analisis komparatif terkait performa berbagai kernel SVM dalam klasifikasi risiko hipertensi.
Co-Authors Abdus Salam, Abdus Achmad Fauzi Adiningrat, Feru Aksani, M. Luthfi Aksani, Muhammad Lutfhi Alexander, Allan D Alfry Aristo Jansen Sinlae Budilaksono, Sularso Erni Widarti Faiz Muqorrir Kaaffah Farida Farida Fauyhi Eko Nugroho, Fauyhi Eko Heriyani, Nofitri Husain, Syepry Maulana Jonni, Muhammad Jupriyanto . Mabrur, Nur Shobi Mahpud, Mahpud Noufal, Mohammad Dimas Novi Wulandari Novita Mariana Prihandoko, Aldi Saifuddin Saifuddin Septarini, Ri Sabti Suwanda Aditya Saputra Suwarno, M.Anno Suwartane, I Gede Agus Wartono Wartono Yanuardi Yanuardi