Support Vector Machine Untuk Klasifikasi Penyakit Diabetes Mellitus

Abstract

Diabetes mellitus adalah penyakit metabolik kronis yang semakin umum dan dapat menyebabkan komplikasi serius jika tidak didiagnosis dan diklasifikasikan dengan tepat. Salah satu masalah utama yang dihadapi adalah kurangnya metode diagnosis yang cepat dan akurat untuk mendeteksi diabetes pada tahap awal. Pendekatan manual seringkali memakan waktu dan tidak memberikan hasil yang optimal, sehingga diperlukan metode berbasis teknologi yang lebih efisien. Penelitian ini bertujuan untuk mengembangkan model pembelajaran mesin menggunakan algoritma Support Vector Machine (SVM) yang dapat membantu dalam klasifikasi diabetes mellitus dengan akurasi yang lebih tinggi. Data yang digunakan berasal dari database kasus diabetes yang mencakup berbagai parameter klinis pasien. Sebelum data digunakan untuk pelatihan model, dilakukan pra-pemrosesan yang mencakup analisis komponen utama dan normalisasi, sehingga fitur yang paling relevan dapat dipilih. Model SVM kemudian digunakan untuk melakukan klasifikasi biner, yaitu menentukan apakah seorang pasien memiliki diabetes mellitus atau tidak. Untuk mengevaluasi kinerja model ini, digunakan beberapa metrik, termasuk akurasi, presisi, recall, dan skor f1. Hasil penelitian menunjukkan bahwa model SVM mencapai tingkat akurasi sebesar 88%, yang menandakan bahwa algoritma ini memiliki potensi besar dalam membantu proses diagnosis diabetes dengan cepat dan akurat. Dengan demikian, model ini diharapkan dapat menjadi solusi dalam mengatasi keterbatasan metode diagnosis tradisional, serta membantu tenaga medis dalam memberikan diagnosis yang lebih tepat, sehingga komplikasi yang diakibatkan oleh diabetes dapat dicegah lebih efektif.

Diabetes mellitus is a chronic metabolic disease that is becoming increasingly common and can lead to serious complications if not diagnosed and classified correctly. One of the major challenges faced is the lack of fast and accurate diagnostic methods for detecting diabetes at an early stage. Manual approaches are often time-consuming and do not provide optimal results, highlighting the need for more efficient, technology-based methods. This study aims to develop a machine learning model using the Support Vector Machine (SVM) algorithm to assist in the classification of diabetes mellitus with higher accuracy. The data used in this study comes from a diabetes case database containing various clinical parameters of patients. Before the data is used for model training, pre-processing steps are performed, including principal component analysis and normalization, to select the most relevant features. The SVM model is then applied to perform binary classification, determining whether or not a patient has diabetes mellitus. Several metrics, including accuracy, precision, recall, and F1-score, are used to evaluate the model’s performance. The results show that the SVM model achieves an accuracy rate of 88%, indicating that this algorithm has great potential to help in diagnosing diabetes quickly and accurately. Thus, this model is expected to be a solution to overcome the limitations of traditional diagnostic methods and to assist medical professionals in providing more precise diagnoses, thereby preventing complications caused by diabetes more effectively.