<![CDATA[Diabetes adalah suatu kondisi medis yang ditandai dengan gangguan metabolisme persisten yang mengakibatkan peningkatan kadar glukosa dalam aliran darah. Penyakit ini berdampak besar pada berbagai organ tubuh, termasuk jantung, pembuluh darah, mata, ginjal, dan sistem saraf. Salah satu faktor penting yang berkontribusi terhadap peningkatan kasus diabetes adalah keterlambatan diagnosis kondisi tersebut. Tujuan dari penelitian ini adalah untuk menilai algoritma yang berbeda untuk mendeteksi diabetes. Penelitian ini melibatkan kumpulan data yang tidak seimbang, sehingga memerlukan penerapan teknik oversampling seperti Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan ini. Dua metode klasifikasi, yaitu Support Vector Machine (SVM) dan Logistic Regression (LR), digunakan dalam penyelidikan ini. Temuan penelitian mengungkapkan bahwa ketika teknik K-Fold Cross Validation dikombinasikan dengan metode SMOTE, model Support Vector Machine (SVM) menunjukkan tingkat akurasi, presisi, dan recall yang lebih unggul dibandingkan dengan model Logistic Regression (LR), juga menggunakan teknik SMOTE. Meskipun demikian, jika K-Fold Cross Validation dilakukan tanpa menerapkan teknik SMOTE, hasilnya menunjukkan bahwa Regresi Logistik mengungguli model Support Vector Machine (SVM) dalam hal akurasi, presisi, dan recall.]]>
Copyrights © 2023
