Analisis Dampak Penerapan SMOTE terhadap Performa Algoritma SVM dan Random Forest dalam Klasifikasi Risiko Hipertensi

Alfianto Faidatul Aldi Yumardiansyah (Universitas Nahdlatul Ulama Sunan Giri)
Mula Agung Barata (Univertas Nahdatul Ulama Sunan Giri)
Guruh Putro Dirgantoro (Univertas Nahdatul Ulama Sunan Giri)

Jurnal Algoritma
Vol 23 No 1 (2026): Jurnal Algoritma

Hipertensi merupakan penyakit tidak menular yang sering tidak terdeteksi dini dan berkontribusi besar terhadap beban kesehatan global. Penelitian ini menganalisis dampak SMOTE terhadap kinerja klasifikasi risiko hipertensi menggunakan SVM dan Random Forest pada dataset tidak seimbang (4.240 data; 70% tidak berisiko, 30% berisiko). Pra pemrosesan mencakup imputasi median, penanganan outlier IQR, transformasi log1p, dan standarisasi z-score, dilanjutkan pembagian data 80:20 secara stratified. SMOTE diterapkan hanya pada data latih. Evaluasi menggunakan akurasi, presisi, recall, F1-score, ROC-AUC, dan uji McNemar. Hasil menunjukkan SMOTE meningkatkan recall pada kedua model, namun peningkatan signifikan hanya pada Random Forest (p < 0,05), dengan performa terbaik (akurasi 0,8974; F1-score 0,8833). Tekanan darah sistolik dan diastolik menjadi fitur paling berpengaruh. Temuan ini menegaskan bahwa efektivitas SMOTE bergantung pada algoritma, dengan Random Forest lebih stabil dan interpretatif dibandingkan SVM.