PENINGKATAN KINERJA KLASIFIKASI DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DENGAN PARTICLE SWARM OPTIMIZATION (PSO)

As’ari, Hasim (2026) PENINGKATAN KINERJA KLASIFIKASI DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DENGAN PARTICLE SWARM OPTIMIZATION (PSO). S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
23.55.2524 Hasim As'ari.pdf - Published Version
Download (3MB)

Abstract

Diabetes mellitus merupakan penyakit kronis yang memerlukan deteksi dini untuk mengurangi risiko komplikasi. Penelitian ini bertujuan mengembangkan model klasifikasi diabetes menggunakan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) yang dioptimasi menggunakan Particle Swarm Optimization (PSO). Dataset yang digunakan adalah Pima Indians Diabetes Dataset yang memiliki distribusi kelas tidak seimbang. Penelitian ini menerapkan pipeline yang terdiri dari StandardScaler, SMOTE, SelectKBest, dan SVM-RBF. PSO digunakan untuk mengoptimasi parameter SVM serta jumlah fitur terbaik, sementara optimasi threshold dilakukan untuk meningkatkan keseimbangan antara precision dan recall. Hasil pengujian menunjukkan optimal diperoleh pada C = 20, gamma = 0,00699, dengan tujuh fitur terpilih. Model menghasilkan akurasi sebesar 77,6%, recall 80,6%, precision 64,3%, F1-score 71,5%, dan ROC-AUC 83,6%. Hasil tersebut menunjukkan bahwa model SVM-RBF yang dioptimasi menggunakan PSO mampu mendeteksi pasien diabetes dengan baik dan memiliki potensi sebagai sistem pendukung keputusan medis untuk skrining awal diabetes. otomatis.

Item Type:

Thesis (S2 - Magister)

Contributor: