<![CDATA[Penelitian ini bertujuan untuk mengatasi permasalahan ketidakseimbangan data dalam klasifikasi anemia dengan menerapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) dan algoritma Support Vector Machine (SVM). Anemia merupakan kondisi medis yang terjadi akibat rendahnya kadar hemoglobin dalam darah, sehingga menghambat distribusi oksigen ke seluruh tubuh. Dalam penelitian ini, data yang digunakan berasal dari dataset "Anemia Type Classification" yang tersedia di Kaggle, dengan total 1281 sampel, 14 fitur, dan 9 kelas klasifikasi anemia. Metode penelitian melibatkan beberapa tahapan, yaitu preprocessing data, penanganan data yang tidak seimbang, klasifikasi menggunakan SVM dengan pendekatan One vs One (OvO) dan One vs Rest (OvR), serta evaluasi performa model. Teknik SMOTE diterapkan untuk meningkatkan jumlah sampel pada kelas minoritas, sehingga mengurangi bias model terhadap kelas mayoritas. Model diuji dalam tiga skenario: tanpa resampling, oversampling dengan SMOTE, dan undersampling. Hasil penelitian menunjukkan bahwa penerapan teknik SMOTE dengan pendekatan OvO pada algoritma SVM menghasilkan performa terbaik dengan akurasi sebesar 85%, precision 87%, recall 90%, dan F1-score 87%. Sementara itu, pendekatan OvR memiliki performa yang lebih rendah dibandingkan OvO. Pengujian tanpa resampling menghasilkan akurasi yang cukup baik, namun masih menunjukkan bias terhadap kelas mayoritas. Teknik undersampling menghasilkan performa yang lebih rendah dibandingkan metode lainnya. Simpulan, bahwa penerapan SMOTE dengan algoritma SVM dan pendekatan OvO dapat meningkatkan akurasi klasifikasi anemia pada dataset yang tidak seimbang. Temuan ini dapat menjadi dasar bagi pengembangan sistem prediksi anemia yang lebih akurat dan efektif dalam mendukung diagnosis medis. Kata Kunci : Anemia, Klasifikasi Multiclass, Support Vector Machine, SMOTE, One Vs One, One Vs Rest]]>
Copyrights © 2025
