<![CDATA[Diabetes Mellitus merupakan penyakit metabolik kronis dengan prevalensi yang terus meningkat secara global. Deteksi dini risiko diabetes menjadi langkah strategis untuk mencegah komplikasi serius seperti penyakit kardiovaskular dan gagal ginjal. Penelitian ini bertujuan mengimplementasikan algoritma Support Vector Machine (SVM) dalam klasifikasi risiko diabetes serta menganalisis pengaruh Feature Selection dan Hyperparameter Tuning terhadap kinerja model. Dataset yang digunakan berjumlah 100.000 data pasien yang diperoleh dari Kaggle dengan distribusi kelas yang tidak seimbang antara pasien diabetes dan non-diabetes. Preprocessing dilakukan menggunakan Min-Max Normalization. Seleksi fitur diterapkan menggunakan metode ReliefF dan Mutual Information. Evaluasi model menggunakan 10-Fold Cross Validation untuk meminimalkan bias estimasi performa. Hyperparameter Tuning dilakukan menggunakan Optuna dengan optimasi parameter C, gamma, dan degree pada kernel Polynomial dan Radial Basis Function. Hasil eksperimen menunjukkan bahwa Hyperparameter Tuning meningkatkan recall kelas Diabetes dari 0,67 menjadi 0,94 serta meningkatkan akurasi keseluruhan dari 94,76% menjadi 98,90%. Jumlah false negative menurun dari 4.851 menjadi 915 kasus. Temuan ini menunjukkan bahwa optimasi parameter dan seleksi fitur berperan penting dalam meningkatkan sensitivitas model terhadap kelas minoritas pada dataset medis yang tidak seimbang.]]>
Copyrights © 2026
