<![CDATA[Algoritma Support Vector Machine (SVM) merupakan salah satu metode dalam data mining yang populer digunakan untuk klasifikasi, terutama karena kemampuannya dalam menangani data berdimensi tinggi. Meskipun begitu, performa SVM dapat menurun jika terdapat ketidakseimbangan kelas pada data, karena kelas mayoritas cenderung mendominasi hasil prediksi sehingga kelas minoritas sering terabaikan. Penelitian ini bertujuan untuk menerapkan algoritma SVM dalam pengklasifikasian penyakit diabetes dengan membandingkan performa model sebelum dan sesudah diterapkannya Synthetic Minority Over-sampling Technique (SMOTE). Data yang digunakan adalah PIMA Indian Diabetes dari Kaggle yang diketahui memiliki distribusi kelas yang tidak seimbang. Untuk mengatasi hal tersebut, SMOTE digunakan dengan parameter K-Nearest Neighbors sebanyak 3, dengan kelas positif mewakili pasien yang terdiagnosa diabetes. Evaluasi dilakukan terhadap tiga jenis Kernel SVM, yaitu Linear, RBF, dan Polinomial, pada data latih maupun data uji. Hasil pada data latih menunjukkan bahwa penggunaan SMOTE dapat meningkatkan nilai recall dan F1-score secara signifikan dibandingkan model tanpa SMOTE. Misalnya, model dengan SMOTE dan Kernel RBF menghasilkan akurasi 0,9828, recall 0,9863, dan F1-score 0,9822. Sebaliknya, model tanpa SMOTE menghasilkan F1-score sebesar 0,1600 pada data uji, menunjukkan potensi overfitting. Pada data uji, penerapan SMOTE juga meningkatkan performa, terutama pada Kernel Linear dan Polinomial. Kernel Linear dengan SMOTE mencapai recall sebesar 0,7368 dan F1-score 0,6829, lebih baik dibandingkan model tanpa SMOTE. Hasil ini menunjukkan bahwa pola klasifikasi pada data cenderung linier.]]>
Copyrights © 2025
