<![CDATA[Asma adalah penyakit pernapasan akibat peradangan saluran udara di paru-paru yang menyebabkan penyempitan dan kesulitan bernapas. Prevalensinya terus meningkat secara global, sehingga diperlukan metode deteksi dini yang akurat. Masalah yang ditemukan dalam proses pengklasifikasian penyakit asma adalah distribusi kelas yang tidak seimbang pada dataset. Penelitian ini menerapkan algoritma Learning Vector Quantization (LVQ) yang dioptimalkan dengan seleksi fitur Information Gain dan teknik penyeimbangan data SMOTE untuk klasifikasi penyakit asma. Dataset penelitian mencakup 2.392 data pasien dengan 28 fitur dan 1 kelas target yang diperoleh dari platform Kaggle. Pengujian dilakukan pada lima skenario dengan tiga fungsi jarak Euclidean , Chebyshev, Manhattan, learning rate 0,001–0,005, dan rasio pembagian data 90:10, 80:20, serta 70:30. Hasil terbaik diperoleh pada skenario SMOTE, Information Gain, dan LVQ menggunakan fungsi jarak Euclidean dengan learning rate 0.004 dan rasio 90:10, menghasilkan akurasi 77.97%, precision 73.61%, recall 87.22% dan F1-score 79.84%. Penerapan SMOTE menjadi komponen penting karena tanpa SMOTE model gagal mengenali kelas asma, terbukti pada percobaan tanpa menggunakan SMOTE menghasilkan precision , recall , dan F1-score bernilai 0% meskipun akurasi mencapai 94–95%.]]>
Copyrights © 2026
