Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Swabumi (Suara Wawasan Sukabumi) : Ilmu Komputer, Manajemen, dan Sosial
Maylanda, Putri Oktaria
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Komparasi Algoritma Random Forest dan Support Vector Machine dalam Memprediksi Risiko PMS Simarmata, Yohanes; Maylanda, Putri Oktaria; Susanto, Erliyan Redy
SWABUMI (Suara Wawasan Sukabumi): Ilmu Komputer, Manajemen, dan Sosial Vol 13, No 2 (2025): Volume 13 Nomor 2 Tahun 2025
Publisher : Universitas Bina Sarana Informatika Kota Sukabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/swabumi.v13i2.25580

Abstract

Penyakit Menular Seksual (PMS) merupakan permasalahan kesehatan global yang memerlukan deteksi dini untuk pencegahan dan pengobatan yang lebih efektif. Studi ini membandingkan performa algoritma pembelajaran mesin, yaitu Random Forest dan Support Vector Machine (SVM), dalam memprediksi risiko PMS. Dataset yang digunakan mencakup variabel epidemiologis utama dan diklasifikasikan ke dalam dua kategori risiko. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi tertinggi sebesar 99.87%, dengan keunggulan dalam menangani dataset tidak seimbang serta mengenali pola kompleks. Namun, model ini berisiko mengalami overfitting sehingga memerlukan tuning parameter dan validasi silang untuk meningkatkan generalisasi. Sementara itu, SVM memperoleh akurasi 97.96% dan lebih stabil dalam menangani data berdimensi tinggi, tetapi memiliki recall 0.91 untuk kelas risiko tinggi, yang menunjukkan adanya kasus yang tidak terdeteksi secara optimal. Penelitian ini menunjukkan bahwa pemilihan algoritma bergantung pada kebutuhan spesifik analisis: Random Forest unggul dalam akurasi tinggi, sedangkan SVM lebih seimbang dalam generalisasi data. Studi lebih lanjut disarankan untuk mengoptimalkan kinerja model melalui tuning hyperparameter dan teknik ensemble learning guna meningkatkan akurasi deteksi dini PMS.Keywords: Penyakit Menular Seksual, Machine Learning, Random Forest, Support Vector Machine, Prediksi Risiko.
Co-Authors Simarmata, Yohanes Susanto, Erliyan Redy