Prediksi Tingkat Keparahan Diabetes Melitus Menggunakan Support Vector Machine (SVM) dengan Kernel Polinomial dan RBF

Abstract

Diabetes melitus merupakan penyakit kronis dengan prevalensi tinggi yang memerlukan diagnosis dini dan penanganan yang akurat guna memitigasi risiko komplikasi serius. Penelitian ini berfokus pada pengembangan model prediktif untuk menentukan tingkat keparahan diabetes melitus, mengimplementasikan algoritma Support Vector Machine (SVM) dengan membandingkan kinerja fungsi kernel Polinomial dan Radial Basis Function (RBF). Dataset yang dimanfaatkan terdiri dari 100.000 entri data pasien, yang dikategorikan ke dalam dua kelas tingkat keparahan penyakit. Sebelum memasuki fase klasifikasi, serangkaian tahap pra-pemrosesan data diterapkan, termasuk penanganan outlier, untuk memastikan kualitas data dan meningkatkan robustnya model. Metodologi penelitian mencakup studi literatur mendalam, implementasi proses klasifikasi, serta pengujian sistem menggunakan pendekatan black box testing untuk memvalidasi fungsionalitas dan akurasi. Hasil eksperimen secara konsisten menunjukkan bahwa SVM dengan kernel RBF memberikan performa superior dibandingkan dengan SVM yang menggunakan kernel Polinomial, tercermin dari tingkat akurasi klasifikasi yang lebih tinggi secara signifikan. Oleh karena itu, sistem klasifikasi berbasis SVM yang dikembangkan ini berpotensi besar untuk mendukung diagnosis awal dan penentuan otomatis tingkat keparahan diabetes melitus dengan tingkat keakuratan yang kredibel. Kontribusi penelitian ini diharapkan dapat menjadi referensi berharga bagi pengembangan lebih lanjut sistem pendukung keputusan klinis dalam domain kesehatan, khususnya terkait manajemen diabetes.